什么是轻量级？抛开技术术语不谈，效果是为了达到操作目的，使用更轻更省时的方法；那么什么是高性能呢？最直接的说法是比常用方法更高效、更快。
与重量级框架相比，轻量级的准确含义是一种程序设计模式。轻量级的优点是不依赖容器，易于配置，更通用，启动时间短，可以完全降低开发的复杂性；高性能是指比常用方法更快、更准确地实现预期结果的方法。具体到润乾报告，这里将介绍通过多维分析页面简单SQL进行查询。
这个过程实际上非常简单：我们简单地输入多维分析页面 SQL句子，通过集算器 JDBC 提交，然后执行组表 SQL 将结果返回多维分析前端进行查询。结构图如下：
其中，集算器从各种异构数据源中收集和计算组表文件。具体做法可参考集算器教程 - 组表》。
由于组表文件具有独立计算的能力，可以脱离数据库为前端提供数据源服务，因此非常适合作为中间件，并在此基础上实现这套服务olap套件。让我们用集算器进行测试，进一步了解和使用组表文件oracle对比，更直观地了解该套件的轻量级和高性能特性。
| 处理器 | Inter(R) Core(TM) i5-6200U CPU @ 2.30GHz 2.40GHz |
| 内存 | 8G |
| 硬盘 | 1TB |
| 操作系统 | Windows10 家庭中文版(64 位） |
由于测试的目的是组表和oracle对比，因此在同一环境下对数据进行对比，设备影响因素不大，性能对比仍是有效的参考。
为了充分反映测试效果，测试用例的数据必须足够大。我们将创建至少10个字段的5000万数据表。
首先，在集算器中生成测试数据txt格式文件：
| =create(ID,产品编号、颜色、内存、扩展容量、核心数量、主屏幕尺寸、电池容量、后摄像头、前摄像头、机身重量、保修时间、双卡、上市时间、单价、库存） | ||
| [黑、白、银、玫瑰金、土豪金] | [0,0.5,0.75,0.9,0.95,1] | |
| [32，128，64，16，8] | ||
| [64，16，8，128，32] | ||
| [2,8,4] | [0,0.5,0.9,1] | |
| 2018-01-01 | =workdays(A6,A6 364) | |
| for 500 | =100000.new((A7-1)*100000 #:ID,rands("abcdefghijklmnopqrstuvwxyz0123456789",36): 产品编号,A2(B2.pseg(rand())): 颜色,A3(B2.pseg(rand())): 内存,A4(B2.pseg(rand())): 扩展容量,A5(B5.pseg(rand())): 核心数,(string(round((rand()*(6-5) 5),1)) "寸"): 主屏尺寸,(string(int(round((rand()*(4-3) 3),1)*1000)) "mAh"): 电池容量,(string(int(round((rand()*(3-2) 2),1)*1000)) "万 / 像素"): 后置摄像头，(string(int(round((rand()*(2-1) 1),1)*1000)) "万 / 像素"): 前置摄像头，(string(int(round((rand()*(2-1) 1),2)*100)) "克"): 机身重量,(string(int(rand()*3 1)) "年"): 质保时间,if(rand()<0.5,"支持","不支持"): 双卡双待,string(elapse(A6,-rand(100))): 上市时间,int(rand()*(4999-1999)): 单价,int(rand()*(999-9)): 库存量 ) | |
| >file("D:\\test.txt").export@ta(B7) |
生成的txt文件大小为6284M。
然后我们必须这样做txt中间的手机产品表数据，使用 SPL 语言脚本转储到集算器组表文件 test.ctx 中。SPL 脚本如下：
| =file("D:\\test.ctx") | |
| =A1.create(ID,产品编号、颜色、内存、扩展容量、核心数量、主屏幕尺寸、电池容量、后摄像头、前摄像头、机身重量、保修时间、双卡、上市时间、单价、库存） | |
| =file("D:\\test.txt").cursor@t() | |
| =A2.append(A3) |
test.ctx 它是一个组表文件，默认采用列存储，支持任何分段的平行计算，从而有效地提高查询速度。需要注意的是，在生成组表时，数据需要提前排序并合理定义维字段。
组表文件的大小约为3312M，而将txt968s。
相应地，我们使用它sqlloader将txt导入中数据oracle在中间，大约需要18小时，相同的字段和数据量oracle6683表占用空间M。
可见，将txt分别导入组表文件和数据oracle表中的时间真的很不一样，数据导入oracle后占用空间的大小和txt由于组表文件的压缩效果，文件的大小几乎相同，由于组表文件的压缩效果，组表文件只占空间的一半。稍后，我们将进一步讨论和分析与高性能相关的特征。
让我们比较一下使用情况SQL查询oracle表和组表文件所需的时间直接用效果说话:
查询指定字段：
| ：select ID,产品编号，库存 from test.ctx limit 5000 ：select ID,产品编号，库存 from myTestTable where rownum <= 5000 |
查询ID、产品编号和库存：查询组表1s；查询oracle表用时33s；
添加where查询条件：
| ：select ID,产品编号，库存 from test.ctx where 颜色=’土豪金’limit 5000 ：seect ID,产品编号,库存量 from myTestTable where 颜色=’土豪金’ and rownum <= 5000 |
查询表中产品颜色为土豪金的数据：查询组表用时1s；查询oracle表用时58s；
| select ID,产品编号,单价,库存量 from myTestTable/test.ctx where 颜色=’黑’ and 库存量 > 500 and 单价 > 2000 |
查询颜色为黑且库存量大于500、单价大于2000的数据：查询组表用时92s；查询oracle表用时2353s；
此时我们还可以尝试并行查询：
| select /*+ parallel(4) */ID,产品编号,单价,库存量 from myTestTable/test.ctx where 颜色=’黑’ and 库存量 > 500 and 单价 > 2000 |
查询组表用时84s；查询oracle表用时2105s；
执行以上查询语句后我们可以发现，查询组表的速度要比直接查询oracle表快很多。当然，多维分析中很少用到明细查询，对明细查询的性能要求也不高，我们更关注汇总统计的性能，也就是有GROUP BY的情况，下面来试一下。：
| ：select 颜色,max(库存量) from test.ctx/myTestTable group by 颜色 |
查询产品每个颜色的最大库存量：查询组表用时12s；查询oracle表用时297s；
| ：select 颜色,内存,max(库存量) from test.ctx/myTestTable group by 颜色,内存 |
查询产品每个颜色中，各内存的最大库存量：查询组表用时17s；查询oracle表用时334s；
| ：select /*+ parallel(4) */颜色,内存,max(库存量) from test.ctx/myTestTable group by 颜色,内存 |
尝试并行查询产品每个颜色中，各内存的最大库存量：查询组表用时13s；查询oracle表用时308s；
| ：select 内存,sum(库存量) from test.ctx where 上市时间 between date('2018-01-01') and date('2018-12-31') group by 内存 ：select 内存,sum(库存量) from myTestTable where 上市时间 between to_date('2018-01-01',’yyyy-mm-dd’) and to_date('2018-12-31',’yyyy-mm-dd’) group by 内存 |
查询2018年上市的产品中各种内存的总库存量：查询组表用时5s；查询oracle表用时10s；
| ：select 内存,min(机身重量),avg(单价) from test.ctx where 上市时间 between date('2018-01-01') and date('2018-12-31') group by 内存 ：select 内存,min(机身重量),avg(单价) from myTestTable where 上市时间 between to_date('2018-01-01',’yyyy-mm-dd’) and to_date('2018-12-31',’yyyy-mm-dd’) group by 内存 |
查询2018年上市产品的最小机身重量和平均单价：查询组表用时6s；查询oracle表用时11s；
| ：select 内存,min(机身重量),avg(单价) from test.ctx where 上市时间 between date('2018-01-01') and date('2018-12-31') group by 内存 having avg(单价)>=1500 ：select 内存,min(机身重量),avg(单价) from myTestTable where 上市时间 between to_date('2018-01-01',’yyyy-mm-dd’) and to_date('2018-12-31',’yyyy-mm-dd’) group by 内存 having avg(单价)>=1500 |
查询2018年上市产品中，单价不小于1500的最小机身重量和平均单价：查询组表用时14s；查询oracle表用时38s；
毫无悬念，对于汇总统计，查询组表的速度也要显著快于查询oracle。
根据上面对大数据量的组表以及数据库的查询速度比较，可以发现查询条件越少，两者之间的效率对比也就越明显，查询组表数据始终快于查询数据库，这就清晰地体现除了组表高性能的特点。由此我们推断，在多维分析页面下，对组表进行查询要比对数据库进行查询更加高效。
下面我们就将组表与分析界面结合起来进行查询。
（1）在报表中添加集算器JDBC并连接数据源：
（2）集算器raqsoftConfig.xml复制到报表WEB-INF的类路径下：
将[集算器目录]\esProc\config下的raqsoftConfig.xml复制到[报表目录]\report\web\webapps\demo\WEB-INF\classes中；
（3）将组表文件放到集算器寻址路径路径下：
本例中，我们将使用组表文件test.ctx。
（4）修改多维分析页面
打开[报表目录]\report\web\webapps\demo\raqsoft\guide\jsp\olap.jsp，将jsp中的DataSource修改为（1）中设置的数据源名称“esproc”；依旧使用上述的示例，sql语句这里我们用“select 内存,avg(单价) as 单价平均值 from test.ctx where 上市时间 between date('2018-01-01') and date('2018-12-31') group by 内存”；
（5）访问页面
我们通过双击[报表目录]\report\bin下的startdemo.bat启动服务器，或者在报表IDE中点击
启动Tomcat服务器。
在浏览器地址栏输入“http://localhost:6868/demo/raqsoft/guide/jsp/olap.jsp?sqlId=sqlId1”对页面进行访问，这时页面中就可以展现从集算器JDBC中所返回的数据，并且可以在页面中进行拖拽等操作。
当然，这里还是要对比一下查询组表文件与查询oracle的时间：查询组表文件用时7s，查询oracle用时22s，组表明显更胜一筹。
将组表与多维分析界面进行结合，从组表而不是从数据库中取数，用户可以更方便的制作数据量大的报表，大大缩短了等待数据显示的时间；对比昂贵的专业数据库和相对封闭的 BI 自带数据源，集算器可以提供更加经济、简便的解决方案，并能够从各种异构数据源采集数据生成组表文件以供使用。同时整个配置过程非常简单，这些都体现了这个套件的轻量级、高性能的特点。
和普通数据库方案相比，集算器列存的二进制文件，也就是组表文件，能够直接提升性能。在生成组表时，指定了维字段，数据本身将按照维字段有序存放，这样，常用的条件过滤计算不依赖索引也能保证高性能。另外，更加轻量的一点是，组表文件采用压缩存储，显著减少了所占用的硬盘空间，读取也就更快了。