包mondrian.rolap.agg，管理聚合缓存，这些缓存中包含着各单元格值。
RolapStar中含有aggregation(聚合)，一个aggregation是针对一组columns的，该聚合可以包含多个segment，同一个aggregation中的每个segment都将覆盖到相同的列集合；每个segment表达了一组cell值，这些cell自然是由具体的列值和一个必备度量值(如下面的unit sales)来限定，如：(Unit sales, Gender = 'F', State in {'CA','OR'}, Marital Status = anything)，由于其中的列值可能会取多个，因此最终表达的cell值也可能是多个。RolapStar中有一个aggregations，是一个map对象，通过request的constrainedColumnsBitKey来索引一个aggregation。

聚合装载过程

实际中无论是底层的单元值还是聚合后的单元值都是放在聚合对象aggregation中的。以aggregation.load(colums,measures,predicates,pinnedSegments)为入口：

参数中的除了measure不一样外，其限定的列(colums)及列值（prediactes）都是一致的。因此转换成对对若干segment[]的求值： Segment.load(segment[]，….)，在该方法内部：

• 首先根据segments中的信息生成sql查询语句，有两个不同的生成类：AggQuerySpec和SegmentArrayQuerySpec，前者用于找到聚合表情况下的sql语句生成，后者用于基于原始表的sql语句生成。具体可以参见它们的generateSqlQuery()方法，这里注意对以distinct count有不同的生成方法。Sql生成的核心类是sqlQuery，类似于交换系统中的QuerySqlFactory类。注意：聚合操作如avg、sum等都最终还是利用sql语句实现的，并非mondiran自己实现这些聚合功能。
• 利用jdbc，执行sql语句，获取到jdbc 结果集。参见mondrian.rolap.RolapUtil.executeQuery()方法。
• 解析结果集，将结果集中的数据填充到rows[][]二维数值中，并且把各列的值也填充好。如图：
  结果集每条记录的值如宁波市、G010….,前面两个是维度列值，后面几个是度量值。
  
  各列的值(其中第0项值为：[宁波市])：
  
• 决定采用稀疏性(sparse)还是稠密性（dense）SegmentDataSet存储（如果是稠密的，就用数组存储，如果是稀疏的，则用Map存储）；并创建该空的DataSet对象。每个segment关联一个DataSet对象；但其稀疏性还是稠密性都是一致的。注意dataset中单元值的个数可能是1个或多个，是由各限定列的指定值个数乘积，若所有限定列都取单值，则显然最终决定一个唯一的单元。
• 将上述的rows中间集转换到SegmentDataSets集中。最后再分拣给每个segment，确保每个segment的setData(SegmentDataSet)被调用。

segment详解

我们看Segment里面都放了什么：

protected final Column[] columns; //约束列
public final MeasureColumn measure;//这个segment是针对哪个度量的。
private RolapModel model; //对模型的引用
public final StarColumnPredicate[] predicates; //Segment存在哪些断言

从这里我们可以看出，Segment就是对某个Cube的断面做的定义。那它的单元值是存在哪里呢？
就是我们在上面讲的到SegmentDataSet，由它来存储单元值。那么如何关联Segment与SegmentDataSet呢？这里我们有要讲到SegmentWithData。我们看他的定义：

public class SegmentWithData extends Segment{
    final SegmentAxis[] axes;//一组维度的约束
    private final SegmentDataset data;//数据存储
...
    //此方法判断SegmentWithData中是否存在以keys为维度的单元值
    public Object getCellValue(Object[] keys) {
        assert keys.length == axes.length;
        int missed = 0;
        CellKey cellKey = CellKey.Generator.newCellKey(axes.length);
        for (int i = 0; i < keys.length; i++) {
            Comparable key = (Comparable) keys[i];
            int offset = axes[i].getOffset(key);
            if (offset < 0) {
                if (axes[i].wouldContain(key)) {
                    // see whether this segment should contain this value
                    missed++;
                    continue;
                } else {
                    // this value should not appear in this segment; we
                    // should be looking in a different segment
                    return null;
                }
            }
            cellKey.setAxis(i, offset);
        }
        if (isExcluded(keys)) {
            // this value should not appear in this segment; we
            // should be looking in a different segment
            return null;
        }
        if (missed > 0) {
            // the value should be in this segment, but isn't, because one
            // or more of its keys does have any values
            return FunUtil.nullValue;
        } else {
            //cellkey是对一组维度的值得定义
            Object o = data.getObject(cellKey);
            if (o == null) {
                o = FunUtil.nullValue;
            }
            return o;
        }
    }
}    

在这里，SegmentWithData包装了Segment与它单元值之间的关系，通过SegmentAxis来判断当前比较的值是否相同。

下图是有两个限定列的两个segment的描述(注:其中roadid列虽然指定了8个候选值，但由于使用了空行/列过滤，最后只剩下两个路线有值，故最后segment结果集的单元数也只有两个，对应于G010和G318的)：


其中第二个对应的dataset为：
[317.769, 120.604]
对应的透视界面为(参见其中的“观测里程”度量值，与上面的dataset一致)：

再譬如有三个限定列的segment描述，它们位于另一个aggreation对象中：(其中timeId列的any代表所以可能的时间值，共有2003~2005三个年，所以最终该segment共有3个cell值)

对应的dataset为：
[129.910, 129.909, 57.950]
对应的透视界面为(显然该aggreation还有另外一个segment，其中的roadId对应于G010—宁波梁辉)：

再譬如维度中有多个层次的情况时，一个维度会对应多个列：

Query query = connection.parseQuery(
    "SELECT" +
    " {[Time].[1997]," +
    " [Time].[1997].Children} ON COLUMNS," +
    " {[Customer].[USA]," +
    " [Customer].[USA].[OR]," +
    " [Customer].[USA].[WA]} ON ROWS" +
    "FROM [Sales]");
Result result = connection.execute(query);

该语句执行后产生的segment分别为(除了第一个外，其他segment都会包含多个cell，因为它们的限定列中含有多值的情况)：

Segment YN#1    Year Nation Unit Sales
                1997 USA    xxx
Predicates: Year=1997, Nation=USA

Segment YNS#1    Year Nation State Unit Sales
                1997 USA    OR    xxx
                1997 USA    WA    xxx
Predicates: Year=1997, Nation=USA, State={OR, WA}

Segment YQN#1    Year Quarter Nation Unit Sales
                1997 Q1      USA    xxx
                1997 Q2      USA    xxx
Predicates: Year=1997, Quarter=any, Nation=USA

Segment YQNS#1    Year Quarter Nation State Unit Sales
                1997 Q1      USA    OR    xxx
                1997 Q1      USA    WA    xxx
                1997 Q2      USA    OR    xxx
                1997 Q2      USA    WA    xxx
Predicates: Year=1997, Quarter=any, Nation=USA, State={OR, WA}