JSON作为一种轻量级的数据交换格式，因其易于读写和交互的特点，已逐渐成为主流的数据类型之一。常见的编程语言大多都对 JSON 的读取与解析提供了接口，但是接下来如何把多层 JSON 数据经过筛选、计算并展开成二维数据，就需要开发人员去头疼了。本文就为大家分享一下如何利用集算器 SPL（结构化处理语言）轻松解决 JSON 数据解析入库的问题。

为开平等地区用户提供了全套网页设计制作服务，及开平网站建设行业解决方案。主营业务为成都做网站、成都网站建设、开平网站设计，以传统方式定制建设网站，并提供域名空间备案等一条龙服务，秉承以专业、用心的态度为用户提供真诚的服务。我们深信只要达到每一位用户的要求，就会得到认可，从而选择与我们长期合作。这样，我们也可以走得更远！

JSON 数据文件导入与解析

根据 JSON 数据文件的复杂程度，以及不同的需求，我们会分三种情况来讨论：

1. 单层的 JSON 数据文件

我们先从一个简单的例子入手，看看普通键值映射的 JSON 文件如何读取。下面是某产品订单信息的 JSON 数据文件：

SPL导入 JSON 数据文件只需要简单的一句脚本：

不需要写循环函数，也不用解析 JSON 对象，执行一下就可以看到，JSON 数据文件已经转换为二维数据序表了：

2. 明细数据相同结构的多层 JSON 数据文件

接下来，我们看一下多层的 JSON 文件如何处理。下面是我们要用到的 JSON 数据文件 orders.json：

可以看到，JSON 数据分为两层，第一层是 "货主国家" 和 "货主地区"，第二层是明细数据。现在我们想要从中导入中国华北和华南地区 2013 年的订单，让我们看看如果用 SPL 实现。

这次我们先来定义一下参数：Country、Area 和 Year，分别对应需要导入的货主国家、货主地区和订购日期的年份。通过定义参数，以后导入不同国家、地区和年份的时候，就不再需要修改 SPL，只需要提供相应的参数值就行了。这里需要注意的是，Area 的值是序列，默认值是 [华北, 华南]，这样就可以同时读取多个地区的数据。如下图：

我们先看一下 SPL 脚本：

下面来详细解释一下：

第一步：A1 中 =json(file("orders.json").read())，导入 JSON 文件生成序表。执行一下，可以看到 JSON 数据按层级被展现出来（在集算器设计器中我们可以通过双击“区域订单”值，来查看下一层明细数据）：

第二步：从图中可以看到，"货主国家" 和 "货主地区" 字段就在第一层，因此在 B1 中直接调用A1.select(货主国家 ==Country && Area.contain( 货主地区)) 就可以筛选出中国华北和华南的数据。

第三步："区域订单" 是我们想要的明细数据，但是其中不包含 "货主国家" 和 "货主地区" 这两个字段，因此我们需要把这两个字段和区域订单的明细字段拼在一起。这么复杂的需求通过 news 函数就可以一步到位解决。从 A2 格的表达式可以看到参数并不复杂，把 B1. 货主国家，B1. 货主地区和 "区域订单" 的全部字段拼在一起就可以了。看下执行结果：

第四步：在 B2 中通过=A2.select(year( 订购日期)==Year)筛选出 "订购日期" 的年份是 2013 年的数据。

最后让我们执行一下，可以看到最终得到的二维表完全符合需求：

3. 明细数据不同结构的多层 JSON 数据文件

因为数据来源的复杂性，JSON 数据文件的明细数据有可能是不同结构的，我们一起看一下这种 JSON 文件如何处理。下面是我们要用到的 JSON 文件 sales.json：

第一层以年和月为维度，第二层以国家为维度，第三层是明细数据。但是明细数据中，由于销售渠道不同，结构是不完全一致的，比如 "PRODUCTLINE"、"ADDRESSLINE1"、"ADDRESSLINE2" 在明细数据中并不是必须的。现在，我们要从数据中读取 2017 和 2018 年北美两个大国美国和加拿大的销售数据。

为了使用方便，我们还是先定义两个参数：Year 和 Country：

接下来先看一下 SPL：

下面来详细解释一下。

A1格还是把 JSON 文件导入为多层序表。

由于年份字段就在第一层，B1 格中直接调用A1.select(Year.contain(YEAR))可以从 A1 中筛选出 2017 和 2018 年份的数据：

接下来 A2 格中我们再次用到了 news 函数，用来把年月字段和下一层的月销售明细拼在一起：

B2格中我们通过A2.select(Country.contain(COUNTRY))从中筛选出来美国和加拿大的数据。

然后在 A3 格中，我们再次用到了 news 函数，这次需要把 YEAR，MONTH，COUNTRY 和再下一层的国家月销售明细拼在一个序表中。由于这个文件中明细数据可能结构有所不同，我们使用全量的字段名作为参数来创建序表。字段的值会根据名称设置，无此字段的会缺省为空值（例如下图 "ADDRESSLINE1" 和 "ADDRESSLINE2" 字段）：

执行后可以看到最终结果：

至此，一个多层结构的明细数据结构不完全一致的 JSON 文件就成功展开成为一个二维表了。

序表入库

前面介绍了常见的 JSON 数据文件导入与解析，接下来是数据入库的问题。之所以在最后才说入库，并不是因为复杂，恰恰相反的是，由于前面的例子中最后生成的都是序表，因此更新数据库就变得非常简单方便。以前面导入 JSON 的例子 2 中的订单表为例：

可以看到，更新数据库只需要一句脚本！

这里是比较常见的通过主键更新，用序表 A1 通过主键订单 ID 来更新数据库中的订单表。SPL 中的 update 函数有很多选项，可以满足更多的更新数据需求，这里就不再一一赘述了。

       因此，只要用对了工具，从 JSON 文件导入解析到数据入库，再繁琐的任务也可以轻松应对。除了 JSON 数据文件，集算器 SPL 还支持各种丰富多样的数据来源，后续将通过更多的文章继续分享给大家。