报警阈值范围标记

难点

一个规则的阈值有四种：通常时段，分级报警，特殊时段，节假日时段。
根据优先级来命中不同时段的阈值：节假日->特殊时段->分级报警->通常时段。
时段设置是根据星期加时间的数据结构。需要要判断今天是否是节假日，再要判断今天是星期几。

      {
        "end": "09:29:59",
        "start": "09:00",
        "week": 1
      },

返回给前端的数据需要与横坐标一致。对应不上范围就画不出来。

{
    "alarmLevel": 4,
    "data": [
        {
            "yAxis": "100",
            "xAxis": "00:00:20"
        },
        {
            "yAxis": "120",
            "xAxis": "00:29:20"
        }
    ]
}

前端数据依据不同的时间跨度，比如一天，三天，一个月。返回的数据的横坐标还不同，需要做适配。

三种格式xdata: 2022-02-14   2022-02-14 00:15   23:59:15

解决思路

以30分钟为跨度，将00:00:00到23:59:59划分为48块时间段。
使用map，以LocalTime为键，将优先级越高的越晚put，来覆盖优先级低的。
将得到的map转化为前端需要的结构。
原始频率对应不上，他们的x轴时间刻度不确定不规则。

0: "00:00:20"
1: "00:01:25"
2: "00:02:35"
3: "00:03:40"
4: "00:04:45"
5: "00:05:55"
6: "00:07:00"
7: "00:08:05"
8: "00:09:15"
9: "00:10:20"
10: "00:11:30"

第一个x不断加5s直到对应上，第二个x不断减去5s直到对应上，范围缩小所以阈值准确。

while (!xData.contains(x1.format(PipeConstants.LOCAL_TIME_PATTERN)) && x1.isBefore(x2)){
    x1 = x1.plusSeconds(5L);
}
while (!xData.contains(x2.format(PipeConstants.LOCAL_TIME_PATTERN)) && x2.isAfter(x1)){
    x2 = x2.plusSeconds(-5L);
}

总结

判断节假日，判断星期几来命中不同的阈值，时间切割，并且构造返回前端要求的横坐标格式。工作复杂麻烦。解决了就感觉挺简单。一步一步做的时候解决了不少问题，尤其是思路，一开始问了前端后画的范围能否覆盖前面画的，前端说是，然后做好了才发现不是覆盖是叠加，于是总想着在这一版代码上修改，作茧自缚极其复杂。于是重写了一版换了截然不同的思路，就是切割时间块用map存储优先级高的覆盖的思路。

亮点

阈值优先级命中，时间分段，横坐标匹配，构造返回数据。

间隔流量分析曲线

难点

不同时间跨度调用获取数据的接口不同
数据有缺失值，需要做数据拟合，估算缺失值
四个维度：一站点一时段，多站点一时段，一站点多时段，多站点多时段
目标：多站点多时段
返回的数据都是当前值，要计算间隔值，两个点相减。
不同站点的间隔值还需要根据配置的公式做加法或者减法运算

解决思路

封装一个获取数据的方法，判断调用不同的接口获取数据
完成多站点一时段的间隔数据计算
之后的一站点多时段和多站点多时段都基于此方法进行增强
x轴坐标根据开始和结束时间以及时间频率来plus获取

for (LocalDateTime x = startTime; x.isBefore(endTime); x = x.plusMinutes(interval)) {
    xData.add(x.format(PipeConstants.LOCAL_DATE_TIME_PATTERN));
}

数据拟合使用org.apache.commons.math3

SimpleRegression regression = new SimpleRegression();

数据之间通过配置的公式进行运算，使用大学数据结构的知识，用到两个栈：数据栈和运算符栈。
空数据，异常数据处理细致。

// 统计最值过滤掉异常数据
DoubleSummaryStatistics doubleSummaryStatistics = yData.stream().filter(t -> {
    try {
        Double.parseDouble(t);
        return true;
    } catch (Exception e) {
        return false;
    }
}).mapToDouble(Double::parseDouble).summaryStatistics();

// 异常数据填充null，保持数量与相对位置不变
Map<String, List<BigDecimal>> mapByIdService = v.stream().collect(Collectors.toMap(TableDataDTO::getIdService, t -> t.getData().stream()
    .map(s -> {
        BigDecimal b;
        try {
            b = new BigDecimal(s);
        } catch (Exception e) {
            b = null;
        }
        return b;
    }).collect(Collectors.toList()), (v1, v2) -> v2));

总结

依据公式来给前端生成间隔数据曲线，主后端的工作，前端只是曲线展示。此需求独立且综合，从设计到开发全靠自己。思路架构正确，最后的结果很不错，测试的bug修改少许代码即可，健壮性和扩展性不错。
两个主要方法均由一个核心方法扩展增强，代码不冗余，修改核心代码逻辑即可无感知的修改其他两个方法。

亮点

设计思路正确，代码结构清晰，方法封装合理不冗余。很多地方留有后手，可插拔可配置，各种计算数据转换取值为null等异常情况处理细致。健壮性、可扩展性和可读性令人满意。

例如：主要方法都由一个核心方法增强而来：说明代码封装好，不冗余
return mergeCurveLineDataVO(curveLineDataVOS, query.getType());
return computeFormula(lineDataVO, formula, wiseComputePoint.getName());

例如：热插拔，fittingYData方法即为缺失值估算拟合方法，传false即可屏蔽此功能，其他不受影响。

List<String> yData = makeYData(fittingYData(historyData, curveLineDataVO.getXData(), true), curveLineDataVO.getXData());

导入导出excel

技术选型：悟耘信息easypoi

难点

导出的exce结构不复杂，用easypoi注解导出即可
只是有一点：列的数量需要根据数据库查询到的数据数量动态生成
反射增强类后，会一直保持增强状态，直到服务重启，于是还要在导出前调用一个恢复原始类的方法，也通过反射来恢复
由于easypoi留给我们用于生成excel下拉框的接口不丰富灵活，是在excel注解里写死。于是也应用反射来动态设置该写死属性以实现下拉框

@Excel(name = "*报警等级" ,orderNum = "60",width = 10, replace = {"一级报警_1","二级报警_2","三级报警_3","四级报警_4"},addressList = true)
private Integer alarmLevel = 4;