java 计算引擎比较

今天抽空实现了三元表达式等功能,然后checkout jindw写的测试代码,测试代码有些问题(Fel出现的编译异常,是由于没有正确使用Context导致的),经过改正后再做了一下测试,结果如下(数值越小越好):

Source:'A' == 'A' || 'B' == 'B' && 'ABCD' == t &&  'A' == 'A' 
result:true

Labels:JXEL     JSEL     MVEL     Ognl     Aviator  FEL      
Times:14.4225480.469657 3.260236 1.066871 18.1006360.351877 
Scale:40.98747 1.33471929.265272 3.031943 51.4402351.0


Source:1000+100.0*99-(600-3*15)%(((68-9)-3)*2-100)+10000%7*71
result:11181

Labels:JXEL     JSEL     MVEL     Ognl     Aviator  FEL      
Times:193.1466 0.455974 0.597213 0.164698 16.7322270.046428 
Scale:4160.132 9.821099 12.8632083.5473852360.3909 1.0 


Source:6.7-100>39.6 ? 5==5? 4+5:6-1 : !(100%3-39.0<27) ? 8*2-199: 100%3
result:1

Labels:JXEL     JSEL     MVEL     Ognl     Aviator  FEL      
Times:70.39343 0.702776 6.138294 0.3812   13.4524440.049849 
Scale:1412.133314.098096123.137767.6470942269.863861.0


Source:i * pi + (d * b - 199) / (1 - d * pi) - (2 + 100 - i / pi) % 99 ==i * pi + (d * b - 199) / (1 - d * pi) - (2 + 100 - i / pi) % 99
result:true

Labels:JXEL     JSEL     MVEL     Ognl     Aviator  FEL      
Times:66.77692 80.50451 630.2782 2147.4836135.191541.860059 
Scale:35.90043343.280624338.8485 1154.524572.68131 1.0 


Source:i * pi
result:314.0000104904175

 
Labels:JXEL     JSEL     MVEL     Ognl     Aviator  FEL      
Times:2.280357 1.144577 13.5975920.744806 12.63433 0.74725  
Scale:3.06167911.536745218.2565561.0      16.96325 1.0032814


Source:thiz.add(1,3)
result:4

Labels:JXEL     JSEL     MVEL     Ognl     Aviator  FEL      
Times:25.70068720.07310546.8157351.44465  2147.48360.295674 
Scale:86.92238 67.88931 158.335654.88595537263.011 1.0 


备注:这个测试对于Aviator是不公平的,因为没有使用Aviator2.0。其他包没有太关注。现在正在开发新的功能,没有时间做详细测试,在家里还是感谢jindw提供的测试代码

转载链接:http://www.iteye.com/news/22797

  • 2
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
滴滴出行作为全球最大的移动出行平台,每天收集和需要分析处理的数据量非常大。这些数据形式多样:既包括存储于数据库中的业务数据,也包括各种API请求所记录的文本日志。此外,更大的挑战在于业务上需要我们实时的分析处理如此大规模的数据。从数据生成到可被分析查询,系统延迟在秒级。我们选用Druid/Samza/Kafka/Spark/Hadoop等开源技术栈,开发了符合Lambda architecture的OLAP系统。本次演讲我们以滴滴大数据实时监控系统为例,介绍滴滴实时计算系统架构所面临的挑战及相应解决方案。 滴滴大数据实时监控系统服务于滴滴各个业务线,对关键业务指标的变化进行实时监控。研发、产品、运营人员可以据此及时了解业务现状,发现系统问题、调整业务决策。 演讲主要包括以下话题: 1. 实时计算的挑战及解决方案: (1)可扩展性 (2)有状态的实时计算 (3)数据被重复处理 (4)高可用 (5)实时数据流与外部系统或服务关联计算 2. OLAP系统架构选型:KV store与column store 哪种存储更适合OLAP应用? 3. 简要介绍Kafka的特性,阐述为何Kafka是实时计算系统中理想的数据存储方案 4. 详细介绍Druid的架构设计及原理,阐述Druid作为OLAP解决方案的优点 5. 详细介绍Samza的架构设计及原理,阐述如何通过Samza解决实时计算中的各种挑战 6. 介绍Lambda architecture,阐述如何将离线计算和实时计算统一起来,通过离线计算来修正实时计算

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值