Rec：一個項目的誕生
Rec是一個用來驗證和轉換數據文件的Java應用。從第一行代碼到v1版本成形，僅僅經歷了一個半月的時間，作為一個開源項目，在很多方面都有著各種各樣的糾結。
需求
Rec的需求源自于我們團隊所做項目的特殊性：遺留系統遷移。在工作中，我們需要跟各種團隊打交道，每天處理各種來自ETL(Extract、Transform、Load)過程中的數據和程序問題，而整個ETL程序運行起來過于笨重，并且還要考慮準備后端數據和各種驗證問題，非常不方便。
其實在此之前，只要有一些簡單的程序跑起來、能夠進行一些簡單的檢查，比如唯一性(uniqueness)、關聯關系等等，就可以在很大程度上減少我們在ETL過程中花費的時間。并且，這半年多來的實踐也證實了這一點。
最初，同事的建議是寫一個腳本文件來解決這個問題，這對于程序員來說當然不是什么大問題。但隨著使用次數的增加，我漸漸發(fā)現一套Python腳本并不能勝任：一方面，面對復雜的業(yè)務場景，很難有一套靈活的模式去匹配所有的數據格式;另一方面，隨著數據量的增長，性能也成了一個大問題。
于是我開始著手設計和實現Rec。
設計
Rec第一個可用版本的設計共花了七天的時間，基本上具備了我期望的各種能力：
- 可以自定義數據格式
- 能夠進行簡單的唯一性和關聯關系驗證
- 支持一些擴展的查詢語法：比如，可以驗證多字段組合的唯一性
- 性能上基本能夠勝任
Rec面向的數據文件格式是類CSV的文件，包括其他的一些使用分號(;)或者豎線(|)來做分隔符的文件。出于習慣，文件的Parser并沒有選取現成的庫，而是我自己按照Wikipedia和RFC4180的規(guī)范寫出來的，基本上能夠解析所有類似的文件。而且還有一個意外的發(fā)現：用空格做分隔符的文件(比如，某些日志)也是可以支持的。
對于每一條數據，Rec提供了兩部分組件，一部分是數據本身，另一部分是該數據的訪問器(accessor)。訪問器提供把字段名轉換成對應數據項下標的功能：跟Spring Batch中的FieldSetMapper很像，當然在其之上還多了一層語法糖。
一個典型的accessor format如下：
- first name, last name, {5}, phone, …, job title,{3}
其中，“…”表示中間的字段全部可以忽略，{3}和{5}是占位符，表示在這些字段之間有如此多個字段也是可以忽略的。而由“…”分割成的兩部分也是有差異的：在其后的字段使用的是類似Python的負數下標;換句話說，我并不需要知道本來的數據有多少個字段，只需要知道我要獲取的倒數第幾個是什么就可以了。
Rec的驗證規(guī)則也是從簡設計。由于最初的需求只有唯一性檢查和關聯關系檢查，所以第一個版本里面就只加入了這兩個功能，語法如下：
- unique: Customer[id]
- unique: Order[cust_id, prod_id]
- exist: Order.prod_id, Product.id
每一行表示一個規(guī)則，冒號前面是規(guī)則的名字，后面是規(guī)則所需要驗證的數據查詢表達式。對于查詢表達式，這里需要提一點，本來是設計了更多的功能，比如過濾和組合等等，在后面擴展的時候發(fā)現在語法上很難實現得更直觀而且方便使用，于是就決定改用嵌入腳本引擎的方式來解決。
另外Rec第一個版本發(fā)布只有Kotlin運行時的依賴，所以完整的Jar文件只有2MB。同時，只要給對應的數據文件提供.rec格式的描述文件，再在同一目錄創(chuàng)建一個default.rule來加入各種檢驗規(guī)則，就可以運行、然后得到你想要的結果了。
擴展
Rec的第一個版本在某些方面是達到預期結果了的。但在那之后就發(fā)現了一些很重要的問題：首先，我們另一層的需求并沒有得到滿足：Rec能夠幫我們驗證并且找到有問題的數據，但是不能夠按需來選擇我們想要的內容;其次，在檢查數據的同時，我們也隱含地有集成和轉換數據的需求，Rec也不能夠滿足。
于是第一個星期以后我開始考慮對Rec進行擴展。首先是在同事的建議下把亂成一坨的代碼分成多個module;其次考慮加入前面提到的過濾和格式轉換的功能。
第一個步驟勉強算是完成了，但是卡在了第二步上：對于轉換的規(guī)則，要不要和驗證的規(guī)則放在一起?如何對這兩種規(guī)則做區(qū)分?如何在過濾器中設計變量引用等細節(jié)?每一個問題都讓我糾結了很多，直到最后決定放棄這一步，直接通過引入腳本引擎來實現：從最初hack Kotlin編譯器的嵌入版，到決定用JavaScript，到放棄Nashorn轉而用Rhino，中間雖然輾轉幾次又遭遇了不少坑，但畢竟有成熟的社區(qū)經驗輔以指導，還是順利地走了下來。
Test Driven Development vs Test Driven Design
其實直到現在Rec的測試也只有少量的一些。而且在拆分模塊的時候，因為測試代碼之間的依賴比較多，并沒有做拆分，所以基本上還是集中在一個模塊中。當然這也是很多時候我自己做項目時的一個習慣：并不會完全以TDD的方式來開發(fā)，而是把單元測試作為一個驗證設計思路的手段。因為很多時候思路轉變的太突然，不實現的話估計下一秒鐘就完全變了。而且，作為一個簡單的工具類程序，并不需要重度面向對象的設計，如何規(guī)劃和設計流暢易用的接口就成了必須考慮的一個問題。這個時候測試的設計性變得更明顯。
另外，對于Parser這種東西，測試是必不可少的，但是要TDD一個Parser出來，基本上就是在給自己找活干了。所以這種時候，我會先加一些基本的case，來確保能夠正常的實現功能，然后再引入一些比較corner的case來確保實際的可用性。對我來說，這是完全沒有問題的：當然后面的實踐驗證了這一點，Rec沒在解析文件方面出現過任何問題。
Kotlin vs Java(Script)
最初采用Kotlin就是因為它有很多優(yōu)點，而且這些優(yōu)點也確實影響了Rec的設計，但是因為各種原因，還是被替換了兩次。首先遲遲不發(fā)布的1.1版本和編碼兼容性的諸多問題，導致我決定用原生Java換掉Kotlin。當然，這也導致了不得不強行舍棄很多好用的編譯期檢查和語法糖，以及一個用來做bean mapping的組件。
至于采用JavaScript，則是另外一個問題。
眾所周知，JSR223定義了一套JVM平臺的腳本引擎規(guī)范，但是作為一個強靜態(tài)類型的編譯型語言，Kotlin想要契合這套規(guī)范還是很困難的，于是無論是官方的實現還是Rec的解決方法，都不是很好：
首先你要啟動一個JVM來執(zhí)行這個腳本的動作;在這個動作里面，啟動第二個JVM要調用Kotlin的編譯器來將該腳本編譯成class;然后這個編譯器會再去利用自定義的classloader來加載和執(zhí)行這個class文件。當所有的功能都集中在一個Jar文件里面的時候，每次都要選擇指定classpath等選項，實現非常復雜。而且，由于第二次執(zhí)行的Kotlin編譯器是識別不到你已引入的kotlin-reflect類庫的(因為已經統一包裝到rec的jar包里面去了)，就會導致腳本中bean mapper的一些功能根本不能使用。萬般無奈，選擇采用更成熟的JS引擎。
當然選擇JS帶來的一個好處就是，有更多人可以拿來就用了，而且，最新的Rhino提供了CommonJS擴展，能夠順手require所需的JS文件，在復用和模塊化方面也能夠有不少提升。
技術抉擇
除了部分Parser相關的代碼外，Rec采用的基本都是不可變的數據結構：一方面是因為使用Kotlin;另一方面，在整個模型里面并沒有特別的需求會涉及更改數據。
唯一的擔心是內存占用，但是后來發(fā)現這部分擔心也是不必要的，因為所有內存的瓶頸只在數據文件的Parser上，項目中的數據條目動輒數十個數據項，幾十萬條數據，再加上每次parse都會把一個字符串分割成多個，最后再合并到一個大的集合里面，在最開始設計的時候沒有考慮這一點，輕輕松松就爆了JVM堆。這也是后期需要著重優(yōu)化的一個方面。
另外一個點是關于異常處理。對于Java應用來說這是個巨坑：異常本身并沒有問題，但是由于checked和unchecked的區(qū)分以及眾多設計哲學的不同，所以就成了爭議點所在。在這里我參考了Joe Duffy的做法。對于嚴重的不可重試的錯誤，比如文件找不到，空指針異常，下標錯誤等，直接讓程序die(沒錯，就是PHP中的那個die)，至于數據格式錯誤等問題，更多的做法是做一條記錄然后選擇繼續(xù)。當然這一套東西并不依賴Java的異常系統，只是作為一個設計原則來應用，畢竟這不是一個App server，并不需要高可用的保障，相反這種fail fast的直接反饋更有助于發(fā)現和解決問題。
在類型系統上，最初實現Rec的語言是Kotlin，它提供了一套比Java略微高級一些的類型系統。當然主要的點還是在于nullable：在功能上，nullable與Java 8的Optional類似，用來容納可以為空的值，同時能夠有效避免空指針異常;在實現上，比Java略微高出了一點的是，非nullable的對象必須被初始化并且不容許為null。這直接解決了Optional對象為空的尷尬問題。
當然，由于運行時的依賴還是無法避免地使用JVM，而且沒有自定義值類型的支持，在使用Kotlin，特別是跟Java標準庫和其他框架結合使用的時候，還是會遇到空指針的坑。但是在這一點上，Kotlin給我們開了個好頭，比如在后面convert到Java的過程中，我也盡量保證各種對象都是final并且被非空初始化了的。
結語
當然也許很多人會說，Unix那套工具用的很順手的話，上面說的這些都不是問題，其實Rec本來的思路也是來自于它們：accessor來自于awk的列操作模式，scripting中的過濾器來自于sed和grep，鏈式調用源于管道。Rec也只是在這些思路之上加了一些方便的操作而已。但是對于我個人來說，這種折騰其實是在檢驗我自己的理論和思考，更別說還提升了項目的生產力。也許哪一天實在受不了了，還可以拿C++和Lua重寫了呢。畢竟，生命不息，折騰不止。
【本文是51CTO專欄作者“ThoughtWorks”的原創(chuàng)稿件，微信公眾號：思特沃克，轉載請聯系原作者】
