企业官网建设流程全解析

本文以 Zeppelin 仓库中的 Flink 解释器官方文档 为主体，系统讲解 Zeppelin 中 Flink 解释器组的五个解释器（%flink、%flink.pyflink、%flink.ipyflink、%flink.ssql、%flink.bsql）的安装配置、四种执行模式、Scala/Python/SQL 多语言编程、SQL 增强特性、流式可视化、UDF 注册与 Hive 集成等完整实战方案。读完本文，你将掌握如何在 Zeppelin 中以交互式笔记本的方式运行 Flink 批流任务，并理解其底层 Scala Shell / Python Shell 双入口的架构原理。

概述：Flink 解释器组

Apache Flink 是一个面向无界与有界数据流的有状态计算框架与分布式处理引擎，设计上可在各类常见集群环境中运行，并以内存级速度和任意规模执行计算。Zeppelin 在 0.9 版本对 Flink 解释器进行了重构以支持最新版 Flink。需要注意：当前仅支持 Flink 1.20 及以上版本，旧版本 Flink 无法正常工作。

Flink 在 Zeppelin 中由一个解释器组（Flink interpreter group）支持，共包含五个解释器，全部位于同一 Flink session 中、共享同一个 Flink 集群环境：

从源码结构看，%flink是整个解释器组的入口：FlinkInterpreter（见 FlinkInterpreter.java）会根据运行时 Scala 版本（2.11/2.12）动态加载对应的FlinkScalaInterpreter实现类，内部实际委托给 Flink Scala Shell 执行。%flink.ssql与%flink.bsql继承自公共基类 FlinkSqlInterpreter.java，在同一 session 内复用FlinkInterpreter的运行时环境与 ZeppelinContext。

核心特性

快速体验：在 Zeppelin Docker 中运行 Flink

对于初学者，推荐在 Zeppelin Docker 中体验 Flink。Zeppelin 发行版不内置 Flink 二进制包，因此需要先自行下载 Flink。例如将 Flink 1.12.2 下载到/mnt/disk1/flink-1.12.2，然后挂载进 Zeppelin 容器并启动：

docker run -u $(id -u) -p 8080:8080 -p 8081:8081 --rm -v /mnt/disk1/flink-1.12.2:/opt/flink -e FLINK_HOME=/opt/flink --name zeppelin apache/zeppelin:0.10.0

启动后打开http://localhost:8080即可在 Zeppelin 中体验 Flink。文档说明在 Docker 中只验证了 Flink local 模式，其他模式可能受网络问题影响。参数说明：

• -p 8080:8080：暴露 Zeppelin Web UI；
• -p 8081:8081：暴露 Flink Web UI，可通过http://localhost:8081访问；
• -v /mnt/disk1/flink-1.12.2:/opt/flink：将本地 Flink 目录挂载为容器内/opt/flink，配合-e FLINK_HOME=/opt/flink供解释器定位 Flink 安装目录；
• -u $(id -u)：以当前用户运行，避免挂载目录权限问题。

你也可以挂载自己的笔记本目录以替换内置教程笔记本，例如克隆 flink-sql-cookbook 仓库后：

docker run -u $(id -u) -p 8080:8080 --rm -v /mnt/disk1/flink-sql-cookbook-on-zeppelin:/notebook -v /mnt/disk1/flink-1.12.2:/opt/flink -e FLINK_HOME=/opt/flink -e ZEPPELIN_NOTEBOOK_DIR='/notebook' --name zeppelin apache/zeppelin:0.10.0

其中ZEPPELIN_NOTEBOOK_DIR指定 Zeppelin 从挂载目录读取笔记本。

环境准备：下载与配置 Flink 发行版

下载 Flink 1.19 或 1.20。由于 Zeppelin 的 Flink 解释器依赖 Scala Table API bridge 等额外 jar，需要对 Flink 发行版做如下调整（将${FLINK_VERSION}替换为实际安装的 Flink 版本）：

• 将${FLINK_HOME}/opt/flink-table-planner_2.12-${FLINK_VERSION}.jar移动到${FLINK_HOME}/lib；
• 将${FLINK_HOME}/lib/flink-table-planner-loader-${FLINK_VERSION}.jar移动到${FLINK_HOME}/opt（与上一步互换位置）；
• 下载flink-table-api-scala-bridge_2.12-${FLINK_VERSION}.jar与flink-table-api-scala_2.12-${FLINK_VERSION}.jar放入${FLINK_HOME}/lib；
• 将${FLINK_HOME}/opt/flink-sql-client-${FLINK_VERSION}.jar移动到${FLINK_HOME}/lib。

这样做的原因是：Zeppelin 的 Flink 解释器内部以 Scala Shell 方式编程式地调用 Table API，而不是启动 SQL Client 进程，因此需要把 planner 与 Scala bridge 直接置于 Flink 的 classpath（lib 目录）中。

Flink on Zeppelin 架构

Flink on Zeppelin 的整体架构如下图所示：左侧的 Flink 解释器实际上是一个 Flink 客户端，负责编译并管理 Flink 作业的生命周期（提交、取消作业、监控作业进度等）；右侧的 Flink 集群负责实际执行 Flink 作业。集群形态可以是 MiniCluster（本地模式）、Standalone 集群（远程模式）、Yarn session 集群（yarn 模式）或 Yarn application session 集群（yarn-application 模式）。

Flink 解释器内部有两大关键组件：Scala Shell与Python Shell。

• Scala Shell：Flink 解释器的入口，负责创建 Flink 程序的全部入口对象，如 ExecutionEnvironment、StreamExecutionEnvironment 和 TableEnvironment，并负责编译运行 Scala 代码和 SQL；
• Python Shell：PyFlink 的入口，负责编译运行 Python 代码。

从源码看，FlinkScalaInterpreter（见 FlinkScalaInterpreter.scala）在open()时依次完成：初始化 Flink 配置 → 创建 FlinkILoop（Scala REPL）→ 创建批/流 TableEnvironment → 绑定 ZeppelinContext（z）→ 注册 JobListener（用于把作业与段落关联、上报进度）→ 可选注册 Hive catalog → 自动加载 UDF jar。

配置详解

Flink 解释器通过 Zeppelin 提供的属性进行配置（下表），同时你也可以添加表外其他的 Flink 属性（以table.exec、parallelism等 Flink 官方配置项为例，参考 Flink 官方文档的 Available Properties 列表）。从源码看，解释器启动时会把解释器属性中所有条目写入 Flink 的Configuration（properties.asScala.foreach(entry => configuration.setString(...))），因此任何 Flink 配置项都能以解释器属性方式下发。

环境类属性

执行模式与集群资源类属性

源码实现细节（见 FlinkScalaInterpreter.scala）：

• 内存类属性同时兼容旧名flink.jm.memory/flink.tm.memory，新名优先；
• taskmanager.numberOfTaskSlots也兼容旧名flink.tm.slot；
• 应用名兼容旧名flink.yarn.appName，队列兼容旧名flink.yarn.queue；
• 在 yarn-application 模式下，源码会以 Yarn 容器当前工作目录作为FLINK_HOME、FLINK_CONF_DIR与HIVE_CONF_DIR（isYarnApplicationMode分支），因此无需再手动指定这些目录。

UI 与安全类属性

{{applicationId}}占位符替换逻辑在源码getDisplayedJMWebUrl中实现：若设置了zeppelin.flink.uiWebUrl，则将其中的{{applicationId}}替换为真实 Yarn 应用 ID（见 FlinkScalaInterpreter.scala）。

依赖与 UDF 类属性

SQL 并发与 Python 类属性

显示、Hive 与作业生命周期类属性

源码佐证：zeppelin.flink.maxResult直接用于构造FlinkZeppelinContext（z.show输出的最大行数）；flink.interpreter.close.shutdown_cluster决定close()时是否调用clusterClient.shutDownCluster()，同时 yarn 模式下会删除 Flink staging 目录（见 FlinkScalaInterpreter.scala）。

解释器绑定模式

默认的解释器绑定模式为globally shared（全局共享），意味着所有笔记本共享同一个 Flink 解释器，也就共享同一个 Flink 集群。实践中更推荐使用isolated per note（按笔记本隔离）：每个笔记本拥有独立的 Flink 解释器和各自的 Flink 集群，互不影响。

四种执行模式

Flink in Zeppelin 支持四种执行模式（通过flink.execution.mode设置）：Local、Remote、Yarn、Yarn Application。

Local 模式

本地模式会在本地 JVM 中启动一个 MiniCluster。默认本地 MiniCluster 使用 8081 端口，请确保该端口可用，否则可通过rest.port指定其他端口。可通过local.number-taskmanager与flink.tm.slot自定义 TaskManager 数量与每 TM 的 slot 数——默认只有 4 个 TM、每 TM 1 个 slot，某些场景下可能不够用。

Remote 模式

Remote 模式会连接一个已存在的 Flink 集群（Standalone 集群或 Yarn session 集群）。除将flink.execution.mode设为remote外，还需要设置flink.execution.remote.host与flink.execution.remote.port指向 Flink JobManager 的 Rest API 地址。源码中会校验这两个参数：若未指定 host 或 port，直接抛出InterpreterException（见 FlinkScalaInterpreter.scala）。

Yarn 模式

在 Yarn 模式运行 Flink 需要满足以下设置：

• 将flink.execution.mode设为yarn；
• 在 Flink 解释器设置或zeppelin-env.sh中设置HADOOP_CONF_DIR；
• 确保hadoop命令在PATH中。因为内部 Flink 会调用命令hadoop classpath并将所有 Hadoop 相关 jar 加载进 Flink 解释器进程。

此模式下，Zeppelin 会为你启动一个 Flink Yarn session 集群，并在关闭 Flink 解释器时销毁它。源码中 yarn 模式会额外校验FlinkYarnSessionCli类是否可加载：找不到时抛出 "No hadoop jar found, make sure you have hadoop command in your PATH" 的明确错误。

Yarn Application 模式

上述 yarn 模式在 Zeppelin 服务器主机上存在一个独立的 Flink 解释器进程；当解释器进程过多时可能耗尽资源。因此实践上推荐：若使用 Flink 1.11 或更高版本（yarn application 模式仅在 Flink 1.11 之后支持），使用 yarn application 模式。该模式下 Flink 解释器运行在 Yarn 容器中的 JobManager 内。

运行条件与 yarn 模式类似：

• 将flink.execution.mode设为yarn-application；
• 在 Flink 解释器设置或zeppelin-env.sh中设置HADOOP_CONF_DIR；
• 确保hadoop命令在PATH中。

源码实现上，yarn-application 模式通过环境变量_APP_ID获取 Yarn 应用 ID，并从本地localhost的 Rest 端口连接 JobManager（见 FlinkScalaInterpreter.scala）。

Flink Scala 开发

Scala 是 Zeppelin 上 Flink 的默认语言（%flink），也是 Flink 解释器的入口。解释器底层创建 Scala Shell，并预创建若干内置变量，包括 ExecutionEnvironment、StreamExecutionEnvironment 等——不要重复创建这些 Flink 环境变量，否则可能遇到诡异的问题。你在 Zeppelin 中编写的 Scala 代码会提交到这个 Scala Shell 执行。

Flink Scala Shell 中创建的内置变量：

源码中这些变量通过flinkILoop.intp.bind(...)绑定到 REPL 命名空间，同时预导入大量 Flink API 包（org.apache.flink.api.scala._、org.apache.flink.streaming.api.scala._、org.apache.flink.table.api._、ScalarFunction / AggregateFunction / TableFunction / TableAggregateFunction 等），确保用户代码可直接使用（见 FlinkScalaInterpreter.scala）。

Blink/Flink Planner

Zeppelin 0.11 之后移除了对 flink planner（旧 planner）的支持——Flink 1.14 之后也移除了旧 planner。因此当前仓库仅使用 blink planner（新 planner）。

流式 WordCount 示例

在 Zeppelin 中可以直接编写任意 Scala 代码，例如经典的流式 WordCount 示例：

%flink // 使用 senv（StreamExecutionEnvironment）编写流式作业

代码补全

在 Zeppelin 中按 Tab 键即可触发代码补全。从源码看，补全能力来自FlinkILoop的Completion组件（scalaCompletion）。

ZeppelinContext

ZeppelinContext提供了一些附加函数与工具，详细内容可参考 Zeppelin-Context 文档。在 Flink 解释器中，可以用z展示 Flink 的 Dataset/Table，例如：

• z.show(DataSet)：展示批式 DataSet；
• z.show(Batch Table)：展示批式 Table；
• z.show(Stream Table)：展示流式 Table。

Flink SQL

Zeppelin 提供两类 Flink SQL 解释器：

• %flink.ssql：流式 SQL 解释器，通过StreamTableEnvironment启动 Flink 流式作业；
• %flink.bsql：批式 SQL 解释器，通过BatchTableEnvironment启动 Flink 批式作业。

Zeppelin 的 Flink SQL 解释器等同于 Flink SQL Client，并增加了许多增强特性。

SQL 增强特性

批式 SQL 与流式 SQL 并存

在 Flink SQL Client 中，一个 session 要么运行流式 SQL，要么运行批式 SQL，无法同时进行。但在 Zeppelin 中两者可以共存：%flink.ssql运行流式 SQL，%flink.bsql运行批式 SQL，且批/流 Flink 作业运行在同一个 Flink session 集群中。

支持多语句

一个段落内可编写多条 SQL 语句，每条语句以分号（;）分隔。

支持 SQL 注释

Zeppelin 支持两种 SQL 注释：

• 单行注释：以--开头；
• 多行注释：以/* */包裹。

作业并行度设置

通过段落本地属性parallelism设置 SQL 并行度。源码setParallelismIfNecessary会读取段落 local properties 中的parallelism，同时更新senv、benv的并行度以及 TableEnvironment 的table.exec.resource.default-parallelism配置；maxParallelism也会被设置到流环境（见 FlinkScalaInterpreter.scala）。

支持多条 insert

有时你有多条 insert 语句读取同一数据源、写入不同 sink。默认情况下每条 insert 语句启动一个独立的 Flink 作业；将段落本地属性runAsOne设为true可以让它们在一个 Flink 作业中运行。

设置作业名

通过段落本地属性jobName为 insert 语句设置 Flink 作业名。注意：只能为 insert 语句设置作业名，select 语句暂不支持；且该设置仅对单条 insert 语句生效，对上述多条 insert 合并场景不生效。

流式数据可视化

Zeppelin 可以对 Flink 流式作业的 select SQL 结果进行可视化，共支持 3 种模式：Single、Update、Append。这三种模式分别对应源码中的SingleRowStreamSqlJob、UpdateStreamSqlJob、AppendStreamSqlJob（见 FlinkStreamSqlInterpreter.java，通过段落本地属性type选择）。

Single 模式

Single 模式适用于 SQL 语句结果始终只有一行的场景。输出格式为 HTML，可通过段落本地属性template指定最终输出内容模板，使用{i}作为结果第 i 列的占位符。

Update 模式

Update 模式适用于输出多行且持续更新的场景，例如使用 group by 的查询。

Append 模式

Append 模式适用于输出数据持续追加的场景，例如使用 tumble window 的查询。

PyFlink

PyFlink 是 Flink on Zeppelin 的 Python 入口。内部 Flink 解释器会创建 Python Shell，并创建 Flink 的环境变量（ExecutionEnvironment、StreamExecutionEnvironment 等）。需要注意：PyFlink 背后的 Java 环境是在 Scala Shell 中创建的，即 Scala Shell 与 Python Shell 共享同一个底层环境。

Python Shell 中创建的变量：

配置 PyFlink

要让 PyFlink 在 Zeppelin 中工作，需要配置三件事：

1. 安装 pyflink：例如pip install apache-flink==1.11.1。若需要使用 PyFlink UDF，则必须在所有 TaskManager 节点上安装 pyflink——也就是说如果使用 yarn，所有 yarn 节点都需要安装 pyflink；
2. 复制 Python 文件夹：将${FLINK_HOME}/opt下的python文件夹复制到${FLINK_HOME}/lib；
3. 设置zeppelin.pyflink.python：默认使用PATH中的 python。若安装了多个 Python 版本，需要将zeppelin.pyflink.python配置为要使用的 Python 版本。

源码佐证：PyFlinkInterpreter.open()会将zeppelin.pyflink.python映射为 Python 解释器的zeppelin.python属性，并将zeppelin.pyflink.useIPython映射为zeppelin.python.useIPython，随后启动 Python 进程与 JVM gateway（见 PyFlinkInterpreter.java）。

使用 PyFlink 的两种方式

• %flink.pyflink：简单易用，除上述设置外无需其他操作，但功能也有限；
• %flink.ipyflink：提供与 Jupyter 几乎一致的用户体验，官方建议使用此方式。

配置 IPyFlink

如果没有安装 anaconda，需要安装以下 3 个库：

pip install jupyter pip install grpcio pip install protobuf

如果已安装 anaconda，只需安装以下 2 个库：

pip install grpcio pip install protobuf

ZeppelinContext在 PyFlink 中同样可用，使用方式与 Flink Scala 几乎相同。IPython 的更多特性可参考 Python 解释器文档。

第三方依赖管理

无论使用 Scala、Python 还是 SQL 编写 Flink 作业，都很常见需要第三方依赖。在 IDE 中很容易添加依赖（例如在 pom.xml 中），但在 Zeppelin 中主要通过两个设置添加第三方依赖：

• flink.execution.packages
• flink.execution.jars

flink.execution.packages

这是推荐的依赖添加方式，其实现与在pom.xml中添加依赖相同：底层会从 Maven 仓库下载所有包及其传递依赖，然后放入 classpath。以下示例通过内联配置添加 Flink 1.10 的 Kafka connector：

%flink.conf flink.execution.packages org.apache.flink:flink-connector-kafka_2.11:1.10.0,org.apache.flink:flink-connector-kafka-base_2.11:1.10.0,org.apache.flink:flink-json:1.10.0

格式为artifactGroup:artifactId:version，多个包用逗号分隔。flink.execution.packages需要能访问互联网；如果无法访问互联网，则需要改用flink.execution.jars。

源码中该功能由DependencyResolver实现，将坐标解析下载到本地 Maven 仓库目录（默认~/.m2/repository），并支持通过zeppelin.proxy.url等属性配置代理（见 FlinkScalaInterpreter.scala）。

flink.execution.jars

如果 Zeppelin 机器无法访问互联网，或依赖未部署到 Maven 仓库，则用flink.execution.jars指定所依赖的 jar 文件（每个 jar 用逗号分隔）。例如添加 kafka 依赖（含 kafka connector 及其传递依赖）：

%flink.conf flink.execution.jars /usr/lib/flink-kafka/target/flink-kafka-1.0-SNAPSHOT.jar

源码中 jar 路径支持本地文件，也支持包含://的 URL（通过HadoopUtils.downloadJar下载），本地文件不存在时会明确报错jar file: ${jar} doesn't exist。

Flink UDF

Zeppelin 中定义 UDF 有 4 种方式：

1. 编写 Scala UDF
2. 编写 PyFlink UDF
3. 通过 SQL 创建 UDF
4. 通过flink.udf.jars配置 UDF jar

Scala UDF

%flink class ScalaUpper extends ScalarFunction { def eval(str: String) = str.toUpperCase } btenv.registerFunction("scala_upper", new ScalaUpper())

定义 Scala UDF 的方式与在 IDE 中几乎相同。创建 UDF 类后，通过btenv注册；也可以通过stenv注册，它与btenv共享同一个 Catalog。

Python UDF

%flink.pyflink class PythonUpper(ScalarFunction): def eval(self, s): return s.upper() bt_env.register_function("python_upper", udf(PythonUpper(), DataTypes.STRING(), DataTypes.STRING()))

Python UDF 的定义同样与 IDE 中几乎相同。创建 UDF 类后，通过bt_env注册；也可以通过st_env注册，它与bt_env共享同一个 Catalog。

通过 SQL 创建 UDF

一些简单 UDF 可以直接在 Zeppelin 中编写，但如果 UDF 逻辑非常复杂，最好在 IDE 中编写，然后在 Zeppelin 中按如下方式注册：

%flink.ssql CREATE FUNCTION myupper AS 'org.apache.zeppelin.flink.udf.JavaUpper';

这种方式要求 UDF jar 必须在CLASSPATH上，因此需要配置flink.execution.jars将 UDF jar 加入 classpath：

%flink.conf flink.execution.jars /usr/lib/flink-udf-1.0-SNAPSHOT.jar

flink.udf.jars

上述 3 种方式都有局限：

• 在 Zeppelin 中适合编写简单 Scala UDF 或 Python UDF，但不适合编写非常复杂的 UDF——因为笔记本相比 IDE 缺少高级特性，如包管理、代码导航等；
• UDF 难以在笔记本或用户间共享，每次都要在每个 Flink 解释器中运行定义 UDF 的段落。

因此当 UDF 数量很多、或 UDF 逻辑很复杂、且不想每次都手动注册时，可以使用flink.udf.jars：

• 步骤 1：在 IDE 中创建 UDF 项目并编写 UDF；
• 步骤 2：将flink.udf.jars指向从 UDF 项目构建出的 jar。

例如：

%flink.conf flink.execution.jars /usr/lib/flink-udf-1.0-SNAPSHOT.jar

Zeppelin 会扫描该 jar，找出所有 UDF 类并自动注册，UDF 名称即类名。默认情况下 Zeppelin 会扫描 jar 中所有类，若 jar 很大（尤其是 UDF jar 还包含其他依赖时）扫描会相当慢，此时建议指定flink.udf.jars.packages限定扫描包范围，可显著减少扫描类数、加快 UDF 识别。

源码中loadUDFJar的实现印证了这一机制：遍历 jar 中所有.class文件（跳过含$的内部类），实例化后按ScalarFunction、TableFunction、AggregateFunction、TableAggregateFunction四种类型分别注册到btenv，并以类的简单名作为函数名；当设置了flink.udf.jars.packages时，只扫描匹配前缀的类（见 FlinkScalaInterpreter.scala）。

如何集成 Hive

在 Flink 中使用 Hive 需要做以下设置：

• 将zeppelin.flink.enableHive设为true；
• 将zeppelin.flink.hive.version设为你使用的 Hive 版本；
• 将HIVE_CONF_DIR设为hive-site.xml所在位置。确保 Hive metastore 已启动，并在hive-site.xml中配置了hive.metastore.uris；
• 将以下依赖复制到 Flink 安装目录的 lib 文件夹：
  • flink-connector-hive_2.11–*.jar
  • flink-hadoop-compatibility_2.11–*.jar
  • hive-exec-2.x.jar（对于 hive 1.x，需要复制hive-exec-1.x.jar、hive-metastore-1.x.jar、libfb303–0.9.2.jar和libthrift-0.9.2.jar）

源码佐证：registerHiveCatalog()会创建名为hive的HiveCatalog并设为默认 catalog 与 database（默认default），当zeppelin.flink.module.enableHive为 true 时还会加载HiveModule以支持 Hive 内置函数；未指定HIVE_CONF_DIR时会抛出明确异常（见 FlinkScalaInterpreter.scala）。

Paragraph 本地属性

在"流式数据可视化"一节中，我们通过段落本地属性type演示了不同可视化类型。本节完整列出 Flink 解释器支持的所有段落本地属性：

关于 savepoint 恢复，源码setSavepointPathIfNecessary定义了明确的优先级：段落配置中记录的 savepoint 路径（段落被取消时由 Zeppelin 记录）→ 段落配置中的 checkpoint 路径（由作业进度轮询记录）→ 用户设置的本地属性execution.savepoint.path→ 否则移除execution.savepoint.path（见 FlinkScalaInterpreter.scala）。

教程笔记本

Zeppelin 内置了多个 Flink 教程笔记本（Flink Tutorial），包括 Flink Basics、Three Essential Steps for Building Flink Job、Flink Job Control Tutorial、Streaming ETL、Streaming Data Analytics、Batch ETL、Batch Data Analytics、Logistic Regression (Alink) 等，位于 notebook/Flink Tutorial 目录下，可作为深入学习更多特性的参考。

实践建议小结

• 优先使用isolated per note的解释器绑定模式，避免多笔记本互相干扰；
• 生产环境优先使用 yarn-application 模式（Flink 1.11+），避免过多解释器进程耗尽 Zeppelin 服务器资源；
• 流式 SQL 结果可视化按场景选择 single（单行结果）、update（持续更新）、append（持续追加）三种模式；
• 复杂 UDF 建议在 IDE 中编写并通过flink.udf.jars（配合flink.udf.jars.packages加速扫描）自动注册，避免重复手工注册；
• 添加第三方依赖首选flink.execution.packages（需联网），离线环境改用flink.execution.jars；
• 涉及 savepoint/checkpoint 恢复时，善用段落本地属性savepointDir、execution.savepoint.path、resumeFromSavepoint、resumeFromLatestCheckpoint组合。

• 数据分析
• 数据可视化
• 大数据
• 后端
• 前端
• 任务调度

• Apache Zeppelin 与 Apache Flink 快速上手：Notebook 交互式流批开发实战指南

  Apache Zeppelin 与 Apache Flink 快速上手：Notebook 交互式流批开发实战指南 本篇快速入门指南面向希望使用 Zeppelin

  数据分析数据可视化大数据后端前端任务调度

• OmniVoice 训练数据准备完整指南：JSONL 清单、音频 Token 提取与 WebDataset 分片

  OmniVoice 训练数据准备完整指南：JSONL 清单、音频 Token 提取与 WebDataset 分片 OmniVoice 是一款面向 600+ 语言

  数据分析数据可视化大数据后端前端任务调度

• Apache Flink SQL 入门实战：从本地集群搭建到流式连续查询开发

  Apache Flink SQL 入门实战：从本地集群搭建到流式连续查询开发 Flink SQL 允许开发者使用标准 SQL 语法开发流式数据处理应用，并保持

  后端大数据流处理批处理