.NET与大数据

前言

当别人做大数据用Java、Python的时候，我使用.NET做大数据、数据挖掘，这确实是值得一说的事。

写的并不全面，但都是实际工作中的内容。

.NET在大数据项目中，可以做什么？

1. 写脚本（使用控制台程序+顶级语句）
2. 写工具（使用Winform）
3. 写接口、写服务

使用C#写代码的优点是什么？

1. 静态类型+匿名类型，一次性使用的实体类就用匿名类型，多次或多个地方使用的实体类就用静态类型，静态类型优于Python，匿名类型优于Java。你是不是想说Python也有静态类型？你倒是写啊？！
2. 代码的可维护性好，这是相对于Python说的，不一定是语言的锅，还有固有的代码组织习惯，静态类型本身就是很好的注释
3. 性能好，异步并发的代码易编写。
   
   想起来一个事，就是前同事用Python2做数据挖掘，先用的es，性能差，改用的clickhouse，我就纳闷，es性能差？现在我想我明白了，我看了其中一个挖掘算法，它需要在双层循环遍历中去请求es进行查询，它没有使用异步，也没有使用多线程，那不就是一个线程在查询吗？我们现网es服务器配置这么强这么多，它居然用一个线程去同步请求，能快才怪！实际上一个请求耗时极短，因为es有各种缓存，而查询条件精确可以命中缓存，所以可以并发请求多个es节点。
   
   那前同事为什么没有使用异步并发或多线程呢？Python2不支持吗？或者Python2支持，但写起来不方便？或者前同事不会写？

使用.NET开发的优点是什么？

其中一个优点是应用程序类型丰富，目前我用到的应用程序类型有：

1. 控制台
2. Winform
3. Web API
4. Blazor
   
   你是不是想说Java和Python也可以写控制台、窗体程序、Web API？一个熟悉Ptyhon的程序员，可不一定会写窗体程序，需要一点时间学习，一个做了几年.NET的程序员天然会写Winform，就是拖控件啊。当然，也可能他们不用Windows。
   
   每一种应用程序类型，都意味着学习成本，而这些我已经会了，时间就省下了(Blazor一开始不会，学习花了一两天)。

.NET与ClickHouse

我写了一个大杂烩脚本项目，里面有很多工程是查询ClickHouse统计分析，代码流程就是读取Excel数据作为查询输入条件，查询ClickHouse统计分析，统计结果导出到Excel。一个统计分析工作任务小半天就完成了。

用的ORM是我自己写的Dapper.LiteSql。没什么人用，可能是功能不强吧。不过很适合我自己的需求，我自己经常用。

比如：

int count = session.CreateSql<XXX>(@"
    select count(distinct t.xxx, t.xxx, t.xxx) as cnt
    from xxx t
")
.Where(t => t.PassTime >= startTime && t.PassTime <= endTime)
.Where("t.Name in (" + kkNames + ")")
.QuerySingle<int>();

再比如：

var query = session.CreateSql<XXX>(@"
        select t.xxx, t.xxx, t.xxx
        from xxx t
    ")
    .Where(t => t.PassTime >= firstTime && t.PassTime <= firstTime.AddDays(7).AddSeconds(-1));
query.Where(t => plateList.Skip((page - 1) * pageSize).Take(pageSize).ToList().Contains(t.PlateNo));
var temp = query.ToList();

对于统计查询，我经常SQL和Lambda表达式混写，感觉这样非常灵活。

某些情况下，混写比纯Lambda写法，是要清晰的：

List<XXX> list = session.CreateSql<XXX>(@"
    select xxx, xxx as xxx, max(xxx) as xxx
    from (
    select xxx, toDate(xxx) as xxx, xxx, count(*) as xxx
    from (
    select distinct t.xxx, t.xxx, t.xxx
    from xxx t
").Where(t => t.Xxx != "xxx")
.Where(t => t.XxxTime >= startTime && t.XxxTime <= endTime)
.Where(t => xxxList.Contains(t.Xxx))
.Where(@"(
    (formatDateTime(t.xxx_time ,'%H:%M:%S') >= '07:00:00' and formatDateTime(t.xxx_time ,'%H:%M:%S') <= '08:59:59') or
    (formatDateTime(t.xxx_time ,'%H:%M:%S') >= '14:00:00' and formatDateTime(t.xxx_time ,'%H:%M:%S') <= '20:59:59')
)")
.Append(@")")
.GroupBy("xxx, xxx, xxx")
.Append(@")
    group by xxx, xxx
")
.QueryList<XXX>();

上述代码说明：

1. group by写了两种写法比较随意
2. 三层select嵌套，当然主流ORM都能实现，但不一定易编写、易阅读
3. 我不用针对ClickHouse去实现formatDateTime，也不用实现toDate、max、distinct、count，也不用纠结是count(*)还是count(1)，只要实现的功能足够少，BUG就少。

.NET与ElasticSearch

本打算使用Elasticsearch.Net，为什么没有使用？

1. 学习成本，项目中没有学习时间，虽然造测试数据是本职工作，但写小工具不是本职工作不能耽误太多时间，所以没有学习时间
2. 我使用HttpClient查询es，这种查询es的方式和kibana中写的查询语句、以及前同事留下的创建索引的文档、模板最接近，方便抄现成的。下面是一个完整的查询es方法：

public async Task<TicketAgg> QueryAgg(string strStartTime, string strEndTime, string idCard)
{
    Stopwatch sw = Stopwatch.StartNew();

    string esUrl = $"http://{esIPs[_rnd.Next(0, esIPs.Length)]}:24100/out_xxx/_search";

    var esQueryBody = new
    {
        size = 0,
        query = new
        {
            @bool = new
            {
                must = new dynamic[]
                {
                    new
                    {
                        range = new
                        {
                            travel_time = new
                            {
                                gte = strStartTime,
                                lte = strEndTime,
                                format = "yyyyMMddHHmmss"
                            }
                        }
                    },
                    new
                    {
                        match_phrase = new
                        {
                            zjhm = idCard
                        }
                    }
                }
            }
        },
        aggs = new
        {
            countByZjhm = new
            {
                terms = new
                {
                    field = "zjhm",
                    size = 10000
                }
            }
        }
    };

    string esPostData = JsonConvert.SerializeObject(esQueryBody);
    Console.WriteLine($"ES请求URL：{esUrl}");
    Console.WriteLine($"ES请求参数：{esPostData}");
    HttpClient httpClient = HttpClientFactory.GetClient();
    HttpContent content = new StringContent(esPostData);
    content.Headers.ContentType = new System.Net.Http.Headers.MediaTypeHeaderValue("application/json");
    string strEsResult = await (await httpClient.PostAsync(esUrl, content)).Content.ReadAsStringAsync();
    var resultObj = new
    {
        took = 0,
        aggregations = new
        {
            countByZjhm = new
            {
                buckets = new[]
                {
                    new
                    {
                        key = "",
                        doc_count = 0
                    }
                }
            }
        }
    };
    var esResult = JsonConvert.DeserializeAnonymousType(strEsResult, resultObj);

    TicketAgg agg = new TicketAgg();
    agg.IdCard = idCard;
    agg.Count = esResult.aggregations.countByZjhm.buckets[0].doc_count;

    sw.Stop();
    Console.WriteLine($"统计数据，耗时：{sw.Elapsed.TotalSeconds.ToString("0.000")} 秒");

    return agg;
}

代码中esQueryBody和resultObj都是一次性使用的，直接用匿名动态类型，而TicketAgg是需要实例化作为返回值给其它方法使用的，所以定义成静态类型。

下面一段代码，生产测试数据用的：

public async Task MockXxxData(string indexName, int count, DateTime startDate, DateTime endDate, string[] departures, string[] destinations, dynamic peoples)
{
    int days = (int)endDate.Subtract(startDate).TotalDays;

    List<Task> taskList = new List<Task>();
    for (int i = 0; i < count; i++)
    {
        DateTime date = startDate.AddDays(_rnd.Next(0, days + 1));
        long time = (long)(_rnd.NextDouble() * 3600 * 24);
        var people = peoples[_rnd.Next(0, peoples.Length)];

        var esRequestBody = new
        {
            xxx_type = _rnd.Next(1, 4).ToString(),
            zjlx = "xxx",
            zjhm = people.zjhm,
            xm = people.xm,
            departure = departures[_rnd.Next(0, departures.Length)],
            destination = destinations[_rnd.Next(0, destinations.Length)],
            xxx_date = date.ToString("yyyyMMdd"),
            xxx_time = date.AddSeconds(time).ToString("yyyyMMddHHmmss"),
            xxx_time = date.AddSeconds(time).AddHours(0.5 + _rnd.NextDouble()).ToString("yyyyMMddHHmmss"),
            xxx_time = date.AddSeconds(time).AddDays(-2 + _rnd.NextDouble()).ToString("yyyyMMddHHmmss"),
            xxx = "",
            xxx = ""
        };

        var task = ServiceFactory.Get<EsWriteService>().Write(indexName, esRequestBody);
        taskList.Add(task);
    }
    await Task.WhenAll(taskList);
}

上述代码说明：

1. 程序跑起来生产数据，一般会有几十个线程，也就是请求es的并发量是几十
2. 如果你觉得几十的并发量，还是有点高，可以在调用的Write异步方法中使用Semaphore类限制一下并发量，代码如下：

private Semaphore _sem = new Semaphore(20, 20); //限制异步请求的并发数量

public async Task<bool> Write(string indexName, dynamic esRequestBody)
{
    _sem.WaitOne();
    try
    {
        Stopwatch sw = new Stopwatch();
        sw.Start();

        indexName = $"{indexName}-{DateTime.Now.Year}-{DateTime.Now.Month:00}";
        string esUrl = $"http://{esIPs[_rnd.Next(0, esIPs.Length)]}:24100/{indexName}/doc";

        string esRequestData = JsonConvert.SerializeObject(esRequestBody);
        HttpContent content = new StringContent(esRequestData);
        content.Headers.ContentType = new System.Net.Http.Headers.MediaTypeHeaderValue("application/json");
        HttpClient httpClient = HttpClientFactory.GetClient();
        string strEsResult = await (await httpClient.PostAsync(esUrl, content)).Content.ReadAsStringAsync();
        var resultObj = new
        {
            status = 0
        };
        var esResult = JsonConvert.DeserializeAnonymousType(strEsResult, resultObj);

        sw.Stop();
        _log?.Info($"【写入ES索引】【{(esResult.status == 0 ? "成功" : "失败")}】耗时：{sw.Elapsed.TotalSeconds:0.000} 秒，索引名称：{indexName}，请求URL：{esUrl}，请求参数：{esRequestData}");
        return esResult.status == 0;
    }
    catch
    {
        throw;
    }
    finally
    {
        _sem.Release();
    }
}

我最近写了哪些工程

1. 大杂烩脚本工程，包括查询clickhouse统计分析输出Excel、查询MySQL和Oracle、各种小脚本工具
2. Blazor工程，做了一套简单的增删改查，精力有限，自己测试用，不用手动改数据库了
3. 数据挖掘服务，主要是Web API和定时任务
4. Winform工具，用于测试时创建ES索引、生产模拟数据。为什么写这个？因为做数据挖掘，不给数据，只能自己造了。

为什么从这篇博客看起来这个项目只有我一个人在做？没团队？

还有项目经理、产品经理、前端等一共几个人，项目资金投入少，所以不可能有很多人的。

为什么没有使用Python？

我一开始是想使用Python的，但就我用.NET写的这些东西，如果改用Python，没个2、3年经验，写不顺畅。

我用.NET做一个项目，Swagger有了，创建工程时自带的，当然Python的Swagger也是有的，你可以百度"python 从注释自动生成 swagger"，之前看到过一个不错的，没保存，一时半会就找不到了。

用Blazor做了简单的配置页面，测试时不用去手动修改数据库了

写了一个Mock工程，生产模拟测试数据，写入速度可以达到6000条/秒(一条数据请求一次，不是批量写入)，界面如下：

最后

写此博客是为了给.NET正名，在大数据项目中，.NET大有可为。

我写代码没有用到什么特别的技术，看起来很简单，但也不是随便学学就能写，没个3、5年经验，很难写的这么快。

我写代码也没有什么条条框框，可能不规范，但很灵活。

例如，winform程序注入日志工具类怎么写？来不急百度了，就这么写吧，一样每秒6000条的狂写日志，还不卡界面：

public partial class Form1 : Form, ILog
{
    ...省略

    public Form1()
    {
        InitializeComponent();

        ...省略

        //注入日志工具类
        ServiceFactory.Get<IndexCreationService>().InjectLog(this);
        ServiceFactory.Get<EsWriteService>().InjectLog(this);
        ServiceFactory.Get<MockDataService>().InjectLog(this);
    }
}

internal class EsWriteService : ServiceBase
{
    ...省略
    private ILog? _log;
    public void InjectLog(ILog log) => _log = log;

    public async Task<bool> Write(string indexName, dynamic esRequestBody)
    {
        ...省略
        _log?.Info("xxx");
        ...省略
    }
}

就目前这些项目、脚本、工具而言，感觉这就是我写的最佳实践。不知道最佳实践，代码也能写，容易写成屎山，要么写的服务三天两头崩。