Flink 1.9.0及更高版本支持Python，也就是PyFlink。

在最新版本的Flink 1.10中，PyFlink支持Python用戶定義的函數，使您能夠在Table API和SQL中註冊和使用這些函數。但是，聽完所有這些後，您可能仍然想知道PyFlink的架構到底是什麼？作為PyFlink的快速指南，本文將回答這些問題。

為什麼需要PyFlink？

Python上的Flink和Flink上的Python

那麼，PyFlink到底是什麼？顧名思義，PyFlink就是Apache Flink與Python的組合，或者說是Python上的Flink。但是Flink on Python是什麼意思？首先，兩者的結合意味著您可以在Python中使用Flink的所有功能。而且，更重要的是，PyFlink還允許您在Flink上使用Python廣泛的生態系統的計算功能，從而可以進一步促進其生態系統的開發。換句話說，這對雙方都是雙贏。如果您更深入地研究這個主題，您會發現Flink框架和Python語言的集成絕不是巧合。

Python和大數據生態系統

python語言與大數據緊密相連。為了理解這一點，我們可以看一下人們正在使用Python解決的一些實際問題。一項用戶調查顯示，大多數人都在使用Python進行數據分析和機器學習應用程式。對於此類情況，大數據空間中還解決了一些理想的解決方案。除了擴大大數據產品的受眾範圍之外，Python和大數據的集成還通過將其獨立體繫結構擴展到分散式體繫結構，極大地增強了Python生態系統的功能。這也解釋了在分析大量數據時對Python的強烈需求。

為什麼選擇Flink和Python？

Python和大數據的集成與其他最近的趨勢一致。但是，再次說明一下，為什麼Flink現在支持Python，而不是Go或R或另一種語言？而且，為什麼大多數用戶選擇PyFlink而不是PySpark和PyHive？

為了理解原因，讓我們首先考慮使用Flink框架的一些優勢：

• 有利的體繫結構： Flink是具有統一流和批處理功能的純流計算引擎。
• 新的活力：根據ASF的客觀統計，Flink是2019年最活躍的開源項目。
• 高可靠性：作為一個開源項目，Flink經過長期測試，並廣泛應用於大數據公司的生產環境中。

接下來，讓我們看看為什麼Flink支持Python而不是其他語言。統計數據顯示，Python是繼Java和C之後最受歡迎的語言，並且自2018年以來一直在快速發展。Java和Scala是Flink的預設語言，但是Flink支持Python似乎是合理的。

PyFlink是相關技術發展的必然產物。但是，僅僅瞭解PyFlink的重要性是不夠的，因為我們的最終目標是使Flink和Python用戶受益並解決實際問題。因此，我們需要進一步探索如何實現PyFlink。

PyFlink架構

要實現PyFlink，我們需要知道要實現的關鍵目標和要解決的核心問題。PyFlink的主要目標是什麼？簡而言之，PyFlink的主要目標如下：

1. 使所有Flink功能對Python用戶可用。
2. 在Flink上運行Python的分析和計算功能，以提高Python解決大數據問題的能力。

在此基礎上，讓我們分析實現這些目標需要解決的關鍵問題。

使Flink功能可供Python用戶使用

要實現PyFlink，是否需要像現有Java引擎一樣在Flink上開發Python引擎？答案是NO。嘗試在Flink 1.8版或更早版本中進行，但效果不佳。基本設計原則是以最小的成本實現給定的目標。最簡單但最好的方法是提供一層Python API，並重用現有的計算引擎。

那麼，我們應該為Flink提供哪些Python API？他們對我們很熟悉：高級表API和SQL，以及有狀態的DataStream API。現在，我們越來越接近Flink的內部邏輯，下一步是提供適用於Python的Table API和DataStream API。但是，剩下要解決的關鍵問題到底是什麼呢？

關鍵問題

顯然，關鍵問題在於在Python虛擬機（PyVM）和Java虛擬機（JVM）之間建立握手，這對於Flink支持多種語言至關重要。要解決此問題，我們必須選擇適當的通信技術。

選擇虛擬機通信技術

當前，有兩種解決方案可用於實現PyVM和JVM之間的通信，它們是Beam和Py4J。前者是一個著名的項目，具有多語言和多引擎支持，而後者是用於PyVM和JVM之間通信的專用解決方案。我們可以從幾個不同的角度比較和對比Apache Beam和Py4J，以瞭解它們之間的區別。首先，考慮一個比喻：要越過一堵牆，Py4J會像痣一樣在其中挖一個洞，而Apache Beam會像大熊一樣把整堵牆推倒。從這個角度來看，使用Apache Beam來實現VM通信有點複雜。簡而言之，這是因為Apache Beam專註於通用性，在極端情況下缺乏靈活性。

除此之外，Flink還需要互動式編程。此外，為了使Flink正常工作，我們還需要確保其API設計中的語義一致性，尤其是在其多語言支持方面。Apache Beam的現有體繫結構無法滿足這些要求，因此答案很明顯，Py4J是支持PyVM和JVM之間通信的最佳選擇。

技術架構

在PyVM和JVM之間建立通信之後，我們已經實現了向Python用戶提供Flink功能的第一個目標。我們已經在Flink 1.9版中實現了這一點。現在，讓我們看一下Flink 1.9版中PyFlink API的體繫結構：

Flink 1.9版使用Py4J來實現虛擬機通信。我們為PyVM啟用了網關，為JVM啟用了網關伺服器以接收Python請求。此外，我們還提供了Python API中的TableENV和Table之類的對象，這些對象與Java API中提供的對象相同。因此，編寫Python API的本質是關於如何調用Java API。Flink 1.9版還解決了作業部署問題。它使您可以通過各種方式提交作業，例如運行Python命令以及使用Python Shell和CLI。

但是，此體繫結構提供了哪些優勢？首先，該體繫結構很簡單，並且可以確保Python API和Java API之間的語義一致性。其次，它還提供了與Java作業相當的出色Python作業處理性能。

在Flink上運行Python的分析和計算功能

上一節介紹瞭如何使Flink功能可供Python用戶使用。本節說明如何在Flink上運行Python函數。通常，我們可以通過以下兩種方式之一在Flink上運行Python函數：

1. 選擇一個典型的Python類庫，並將其API添加到PyFlink。該方法花費很長時間，因為Python包含太多的類庫。在合併任何API之前，我們需要簡化Python執行。
2. 基於現有的Flink Table API和Python類庫的特征，我們可以將所有現有的Python類庫函數視為用戶定義的函數，並將其集成到Flink中。Flink 1.10及更高版本中支持此功能。功能集成的關鍵問題是什麼？同樣，它取決於Python用戶定義函數的執行。

接下來，讓我們為這個關鍵問題選擇一種技術。

選擇執行用戶定義功能的技術

實際上，執行Python用戶定義的函數非常複雜。它不僅涉及虛擬機之間的通信，還涉及以下所有方面：管理Python執行環境，解析Java和Python之間交換的業務數據，將Flink中的狀態後端傳遞給Python以及監視執行狀態。鑒於所有這些複雜性，現在是Apache Beam發揮作用的時候了。作為支持多種引擎和多種語言的大熊，Apache Beam可以在解決這種情況方面做很多工作，所以讓我們看看Apache Beam如何處理執行Python用戶定義的函數。

下麵顯示了可移植性框架，該框架是Apache Beam的高度抽象的體繫結構，旨在支持多種語言和引擎。當前，Apache Beam支持幾種不同的語言，包括Java，Go和Python。

用戶定義的功能架構

UDF體繫結構不僅需要實現PyVM與JVM之間的通信，還需要在編譯和運行階段滿足不同的要求。在下麵的PyLink用戶定義功能架構圖中，JVM中的行為以綠色表示，而PyVM中的行為以藍色表示。讓我們看看編譯期間的局部設計。本地設計依賴於純API映射調用。Py4J用於VM通信。

現在，讓我們看看Python API和Java API在此架構中的工作方式。在Java方面，JobMaster將作業分配給TaskManager，就像處理普通Java作業一樣，並且TaskManager執行任務，這涉及到操作員在JVM和PyVM中的執行。在Python用戶定義的函數運算符中，我們將設計各種gRPC服務，用於JVM和PyVM之間的通信。例如，用於業務數據通信的DataService和用於Python UDF的StateService來調用Java State後端。還將提供許多其他服務，例如日誌記錄和指標。

我們如何使用PyFlink？

瞭解了PyFlink的體繫結構及其背後的思想之後，我們來看一下PyFlink的特定應用場景，以更好地瞭解其背後的方式和原因。

PyFlink的應用場景

PyFlink支持哪些業務方案？我們可以從兩個角度分析其應用場景：Python和Java。請記住，PyFlink也適用於Java可以應用的所有情況。

1. 事件驅動的方案，例如實時數據監控。
2. 數據分析，例如庫存管理和數據可視化。
3. 數據管道，也稱為ETL方案，例如日誌解析。
4. 機器學習，例如有針對性的建議。

您可以在所有這些情況下使用PyFlink。PyFlink也適用於特定於Python的方案，例如科學計算。在如此眾多的應用場景中，您可能想知道現在可以使用哪些特定的PyFlink API。因此，現在我們也來研究這個問題。

PyFlink安裝

在使用任何API之前，您需要安裝PyFlink。當前，要安裝PyFlink，請運行命令：pip install apache-Flink

PyFlink API

PyFlink API與Java Table API完全一致，以支持各種關係和視窗操作。某些易於使用的PyFlink API比SQL API更為強大，例如特定於列操作的API。除了API，PyFlink還提供了多種定義Python UDF的方法。

PyFlink中用戶定義的函數定義

可以擴展ScalarFunction（例如，通過添加指標）以提供更多輔助功能。另外，PyFlink用戶功能函數支持Python支持的所有方法定義，例如lambda，命名函數和可調用函數。

定義完這些方法後，我們可以使用PyFlink Decorators進行標記，並描述輸入和輸出數據類型。我們還可以基於Python的類型提示功能進一步簡化更高版本，以進行類型派生。以下示例將幫助您更好地瞭解如何定義用戶定義的函數。

定義Python用戶定義函數的一種情況

在本例中，我們將兩個數字相加。首先，為此，導入必要的類，然後定義前面提到的函數。這非常簡單，因此讓我們進行一個實際案例。

PyFlink的未來前景如何？

通常，使用PyFlink進行業務開發很簡單。您可以通過SQL或Table API輕鬆描述業務邏輯，而無需瞭解基礎實現。讓我們看一下PyFlink的整體前景。

目標驅動路線圖

PyFlink的開發始終受到目標的推動，這些目標是使Flink功能可供Python用戶使用並將Python函數集成到Flink中。根據下麵顯示的PyFlink路線圖，我們首先在PyVM和JVM之間建立了通信。然後，在Flink 1.9中，我們提供了Python Table API，向Python用戶開放了現有的Flink Table API功能。在Flink 1.10中，我們準備通過以下操作將Python函數集成到Flink：集成Apache Beam，設置Python用戶定義的函數執行環境，管理Python對其他類庫的依賴關係以及為用戶定義用戶定義的函數API，以便支持Python用戶定義函數。

為了擴展分散式Python的功能，PyFlink提供了對Pandas Series和DataFrame支持，以便用戶可以在PyFlink中直接使用Pandas用戶定義的函數。此外，將來會在SQL客戶端上啟用Python用戶定義函數，以使PyFlink易於使用。PyFlink還將提供Python ML管道API，以使Python用戶能夠在機器學習中使用PyFlink。監視Python用戶定義的函數執行對實際生產和業務至關重要。因此，PyFlink將進一步為Python用戶定義函數提供度量管理。這些功能將包含在Flink 1.11中。

但是，這些只是PyFlink未來發展計劃的一部分。還有更多工作要做，例如優化PyFlink的性能，提供圖形計算API以及為Flink上的Pandas支持Pandas的本機API。我們將繼續向Python用戶提供Flink的現有功能，並將Python的強大功能集成到Flink中，以實現擴展Python生態系統的最初目標。

PyFlink的前景如何？您可能知道，PyFlink是Apache Flink的一部分，它涉及運行時和API層。

PyFlink在這兩層將如何發展？在運行時方面，PyFlink將構建用於JVM和PyVM之間通信的gRPC常規服務（例如控制項，數據和狀態）。在此框架中，將抽象化Java Python用戶定義函數運算符，並構建Python執行容器以支持Python的多種執行方式。例如，PyFlink可以在Docker容器中甚至在外部服務集群中作為進程運行。特別是在外部服務群集中運行時，將以套接字的形式啟用無限擴展功能。這一切在後續的Python集成中都起著至關重要的作用。

在API方面，我們將在Flink中啟用基於Python的API，以實現我們的使命。這也依賴於Py4J VM通信框架。PyFlink將逐漸支持更多的API，包括Flink中的Java API（例如Python Table API，UDX，ML Pipeline，DataStream，CEP，Gelly和State API）以及在Python用戶中最受歡迎的Pandas API。基於這些API，PyFlink將繼續與其他生態系統集成以便於開發；例如Notebook，Zeppelin，Jupyter和Alink，這是阿裡巴巴的Flink開源版本。到目前為止，PyAlink已完全整合了PyFlink的功能。PyFlink也將與現有的AI系統平臺集成，例如著名的TensorFlow。

為此，PyFlink將一直保持活力。同樣，PyFlink的任務是使Flink功能可供Python用戶使用，併在Flink上運行Python分析和計算功能。

更多實時數據分析相關博文與科技資訊，歡迎關註 “實時流式計算”
關註 “實時流式計算” 回覆 “電子書” 獲取Flink 300頁實戰電子書