作为流计算领域的佼佼者，Flink框架在这两年的发展势头不容小觑，尤其是在不少大公司的数据平台上，都争相开始引入Flink引擎。而作为一个流批一体的大数据计算引擎，Flink在语言支持上也更加开明，比如说支持Python API架构。今天，我们就主要来聊聊Flink Python相关的内容。
Flink在 1.9.0版本开启了新的ML接口和全新的Python API架构，并且已经支持了大部分常用的一些算子，比如JOIN，AGG，WINDOW等。Python作为解释型语言，简洁和易用性使其成为了世界上最受欢迎的语言，在大数据计算领域都有着很好的生态建设。
Flink Python API架构
Python API架构分为用户API部分，PythonVM和Java VM的通讯部分，和最终将作业提交到Flink集群进行运行的部分。在Python端会会有一个Python的Gateway用于保持和Java通讯的链接，在Java部分有一个GateWayServer用于接收Python部分的调用请求。
Table API和Python API之间的通讯采用了一种简单的办法，利用Python VM和Java VM进行通信。在Python API的书写或者调用过程中，以某种方式来与Java API进行通讯。操作Python API就像操作Java的Table API一样。新架构中可以确保以下内容：
不需要另外创建一套新的算子，可以轻松与Java的Table API的功能保持一致；
得益于现有的Java Table API优化模型，Python写出来的API，可以利用Java API优化模型进行优化，可以确保Python的API写出来的Job也能够具备极致性能。
当Python发起对Java的对象请求时候，在Java段创建对象并保存在一个存储结构中，并分配一个ID给Python端，Python端在拿到Java对象的ID后就可以对这个对象进行操作，也就是说Python端可以操作任何Java端的对象，这也就是为什么新的架构可以保证Python Table API和Java Table API功能一致，并且能过服用现有的优化模型。
在新的架构和通讯模型下，Python API调用Java API只需要在持有Java对象的ID，将调用方法的名字和参数传递给Java VM，就能完成对Java Table API的调用，所以在这样的架构中开发Python Table API与开发Java Table API的方式完全一致。
以上就是对于Flink Python架构方面的一些知识分享了，Flink作为一个流批一体的计算引擎，在越来越多的场景当中表现出强劲的竞争力，掌握Flink，对于大数据开发人员来说，是非常有竞争优势的。
