P保险公司的车险业务中，需要用往年历史保单来关联新的保单，在跑批中称为历史保单关联任务。在提醒老客户续保时需要计算指定时间段的往年保单，例如省级公司需要定期计算特定月份内可续保保单对应的历史保单。目前这类批量数据处理任务是由存储过程实现的，性能差、运行时间长，运行时间随着新增保单的天数成正比的增长。计算十天的新增保单关联历史保单，运行时间47分钟；三十天则需要112分钟，接近2小时；如果时间跨度更大，运行时间就会长的无法忍受，基本就变成不可能完成的任务了。第一步，理解计算任务特征。跑批的存储过程很长，有2000多行。用到的数据表包括：保单表和保单-车辆明细表。对于较大的省份，保单表和保单-车辆明细表都有几千万数据存量，每天新增保单的增量数据有一到两万条。两个表结构大体如下（因脱敏的需要，所有实际字段名均用xxxx替代，仅保留注释）：xxxx char(xx) not null ,--保单编码（主键）
xxxx char(xx),--保单号
xxxx datetime year to second,--开始日期
xxxx datetime year to second--结束日期xxxx char(22) not null , --保单编码（主键）
xxxx decimal(x,x) not null ,--明细编码（主键）
xxxx varchar(xx),--牌照编码
xxxx char(x),--牌照种类
xxxx varchar(xx),--vin编码
xxxx char(xx) not null , --保单编码
往年保单的计算输入参数是起始日期（istart）和结束日期（iend），计算目标是新旧保单的对照表，找不到旧保单的将被舍弃。1、 从保单表中，找出开始日期在指定时间段（istart和iend之间）内的新增保单。2、 用新增保单关联上一年的历史保单。关联的条件是：vin编码相同；或者车架编码相同；或者牌照种类、牌照编码同时相同。还要去掉旧的保险单号为null或者空字符串的数据，去掉新旧保险单相同的数据。3、 在所有旧保险单中找到结束日期和新保单时间差在90天之内的，就是上年保单。第二步，分析性能瓶颈。经过多次测试发现，原存储过程性能优化的关键在于四个关联计算。首先是新增保单表和保单-车辆明细表通过保险单编码关联来获得车辆信息，之后再与保单-车辆明细表分别通过vin码、车架号、车牌号（车牌种类）关联三次，来获取历史保单。十天的新增保单有10万多条，这四次关联的时间尚可忍受。而一个月的新增保单有四十多万条，这四次关联的时间就会达到1到2个小时。第三步，设计优化方案。性能优化的重点是解决“四次关联（JOIN）运算”这个瓶颈。在关系数据库中，JOIN一般使用HASH算法，复杂度是SUM(Ni*Mi)。如果两个历史保单大表（保单和保单明细）的数据事先按关联字段（保单编码）排过序，就可以使用更低复杂度（M+N）的有序归并算法来提高JOIN的性能。而且，新增保单数量较小，可以全读入内存反复使用。数据量巨大的历史保单表进行有序归并后，可以在同一次遍历中把与新增保单表的其它三次关联全都完成，实现遍历复用，减少遍历次数，有效提速。这样做的好处在于，无论是十天还是一个月的新增保单，计算时间都不会明显延长。第四步，设计实现方案。关系数据库建立在无序集合理论的基础上，没有办法把有序的结果事先保存起来。SQL也写不出遍历复用的语句。所以，上面的优化方案没有办法在数据库里实现，需要把数据外置到文件来自行处理。历史保单关联是典型的跑批任务，数据每天从生产数据库导入到跑批数据库。数据本来也要移动，我们可以在过程中同时将数据导出到文件，以实现上述的高性能算法。而且文件系统的IO性能更好，导出到文件会比导出到数据库更快，数据外置在工程上也是可行的。第五步，数据导出。从数据库中导出保单表和保单车辆明细表，按照保单编码排序之后，存放到高性能文件中。这里的排序很重要，是后续实现有序归并的前提条件。因为数据库JDBC性能较差，所以第一次导出全部历史数据的时候速度会比较慢。但是以后每天导出新增数据，增量更新高性能存储文件就很快了。第六步，编写新的算法代码，实现性能优化。一天的新增保单1到2万条，三十天的新增保单30到60万条，这个量级的数据可以直接存放在内存中，再对历史保单完成三种方式的关联计算，得到新旧保单对照表。用保单编码关联两个游标。如前所述，两个文件都已经按照保单编码排序了，所以这里的关联是采用有序归并的方式，两个表都只需要遍历一次，如下图：两文件关联之后，循环遍历，每次取出一部分数据和内存中的新增保单先后通过vin码、车架编号、车牌号（车牌种类）三种方式分别关联，结果合并之后生成新的数据文件。如下图：图中可以看到，一次遍历实现了四个关联计算，不必遍历四次、也无需生成多个中间结果。减少了遍历次数，减少了读写硬盘的时间。性能提升明显。根据计算特征拟定了优化方案后，需要选择合适的工具来实现计算性能优化。SQL已经在分析过程中就被否决了。使用Java或C++等高级语言可以实现这个算法，但编码量过大，实现周期过长，容易出现代码错误隐患，也很难调试和维护。开源集算器的SPL语言提供上述所有的算法支持，包括高性能文件、文件游标、有序归并分段取出、内存关联、遍历复用等机制，能够让我们用较少的代码量快速实现这种个性化的计算。经过几天时间的编程、调试和测试，我们完成了性能优化的验证，性能提升非常明显。优化前，用数据库存储过程跑批，计算10天新增保单关联历史保单，需要47分钟，优化之后需要13分钟；优化前计算30天新增保单，需要2个小时，优化后只需要17分钟，速度提高了近7倍。而且，可以看到新算法执行的时间增长并不是很大，并没有像存储过程那样随着新增保单的天数成正比的增长。在编程难度方面，SPL做了大量封装，提供了丰富的函数，内置了上述优化方案需要的基本算法和存储机制。实际编写的代码很短，开发效率很高。上述跑批的四次关联计算代码如下图：从代码总量来看，原来存储过程有2000行代码，去掉注释后还有1800多行，而SPL的全部代码只有不到500格，不到原来的1/3。解决性能优化难题，最重要的是设计出高性能的计算方案，有效降低计算复杂度，最终把速度提上去。因此，一方面要充分理解计算和数据的特征，另一方面也要熟知常见的高性能算法，才能因地制宜地设计出合理的优化方案。本次工作中用到的基本高性能算法，都可以从下面这门课程中找到：点击这里学习性能优化课程（底部原文中可点击链接），有兴趣的同学可以参考。很遗憾的是，当前业界主流大数据体系仍以关系数据库为基础，无论是传统的MPP还是HADOOP体系以及新的一些技术，都在努力将编程接口向SQL靠拢。兼容SQL确实能让用户更容易上手，但受制于理论限制的SQL却无法实现大多数高性能算法，眼睁睁地看着硬件资源被浪费，还没有办法改进。SQL不应是大数据计算的未来。有了优化方案后，还要用好的程序语言来高效地实现这个算法。虽然常见的高级语言能够实现大多数优化算法，但代码过于冗长，开发效率过低，会严重影响程序的可维护性。SPL是个很好的选择，它有足够的算法底层支持，代码能做到很简洁，还提供了友好的可视化调试机制，能有效提高开发效率，以及降低维护成本。简单好用的SPL开源啦！
为了给感兴趣的小伙伴们提供一个相互交流的平台，
特地开通了交流群（群完全免费，不广告不卖课）