与 PyFlink 一同使用

在最新的发布中，PyAlink 与 PyFlink 进行了一定的整合。 用户在新版本的 PyAlink 中能够使用 PyFlink 的部分功能，同时 PyAlink 脚本也支持像 PyFlink 脚本一样使用 flink run 来提交作业了。

需要注意的是：这个版本只有 Flink-1.10 及以上对应的 Python 包 pyalink 才具有，pyalink-flink-1.9 没有以下功能。

一个简单的例子

我们首先来看一个 PyAlink 与 PyFlink 结合的简单例子：

from pyalink.alink import *
env, btenv, senv, stenv = getMLEnv()
t = stenv.from_elements([(1, 2), (2, 5), (3, 1)], ['a', 'b'])
source = TableSourceStreamOp(t)
source.print()
StreamOperator.execute()

这段代码中， getMLEnv 设定 PyAlink 的执行环境与 PyFlink 一致，同时返回的执行环境； 接着使用 stenv.from_elements 来创建一个简单的 Table； 然后使用 PyAlink 的 TableSourceStreamOp 将 Table 转换为 Alink 所接受的 Operator， 进行输出打印。

这段代码示例既可以直接在 Notebook 中运行，也可以直接保存成.py 的脚本文件，使用 PyFlink 脚本的运行方式来执行：

1. python ***.py： 直接使用本地运行环境；
2. flink run -py ***.py：将脚本提交给远程集群来运行，参考 Job Submission Examples。

与 PyFlink 共用执行环境

在新版本中，PyAlink 新增了 getMLEnv 的接口，直接获取 PyFlink 的执行环境，见上文的代码示例。 这个接口返回四元组(benv, btenv, senv, stenv)，分别对应 PyFlink 中的四种执行环境： ExecutionEnvironment、BatchTableEnvironment、StreamExecutionEnvironment 和 StreamTableEnvironment。 基于这四个变量，用户可以调用 PyFlink 的接口。

此外，在之前的版本中，PyAlink 提供了方便使用 Flink 不同执行环境的函数：useLocalEnv 和 useRemoteEnv。 这两个接口在新版本中将同样返回四元组 (benv, btenv, senv, stenv)。 用户可以通过返回的执行环境来调用 PyFlink 的接口。

useLocalEnv/useRemoteEnv 与 getMLEnv 的区别在于：

• useLocalEnv/useRemoteEnv 显示指定了执行环境是本地还是远程集群，可以根据需要调用、切换，
• 而getMLEnv则默认情况为本地执行，同时可以根据脚本的运行方式采用对应的执行环境。

这里要注意的是，为了便于调试，PyAlink 允许在调用useLocalEnv/useRemoteEnv后， 再调用getMLEnv，但此时的脚本是不支持flink run来提交作业的。

与 Table 互相转换

在文首的例子中，我们看到 PyFlink 的 Table 可以转换为 PyAlink 的 Operator， 然后使用 Alink 的算法组件进行后续操作。

具体来说，PyAlink 提供了 TableSourceBatchOp 和 TableSourceStreamOp 将 PyFlink 中的 Table 分别转换为 Alink 中的 BatchOperator 和 StreamOperator。

同时，对于 PyAlink 中的 Operator，提供了 getOutputTable 来获取算法组件对应的 Table 。