Python User Defined Functions (UDFs) в YQL

Введение

Не все задачи можно выразить в чисто декларативном стиле, как в SQL. Иногда удобнее описать обработку данных в императивном стиле. Для этого YQL поддерживает создание и использование пользовательских функций (UDF).

Python UDF

Python UDF позволяет описывать функции на языке Python в самом запросе и использовать их.

Использование

Для использования Python UDF в YQL запросе нужно выполнить три шага:

Включить в запрос строку с Python-скриптом, в котором определена функция для вызова в качестве UDF.
Объявить в запросе имя функции и её сигнатуру (типы входных и выходных данных).
Вызвать функцию в теле запроса, передав ей необходимые аргументы.

Каждый из этих шагов подробно описан в следующих разделах.

Написание Python скрипта

Скрипт можно задать тремя способами:

Обычный строковый литерал. Например: $script = "def foo(): return 'bar'".
Многострочный строковый литерал (расширение YQL). Такой литерал ограничивается символами @@ и работает аналогично тройным кавычкам в Python. Комментарий #py включает подсветку синтаксиса Python в редакторе YQL:
```
$script = @@#py
def foo():
    return b'bar'
@@
```
Именованный файл, приложенный к запросу. Содержимое файла встраивается в запрос с помощью функции FileContent: $script = FileContent("foo.py").

Объявление имени и сигнатуры функции

Поскольку Python является динамически типизированным языком, а YQL — статически типизированным, необходимо заранее зафиксировать типы на их стыке. Имя и сигнатура вызываемой из Python-скрипта функции должны быть известны до выполнения YQL запроса. Если типы, объявленные в сигнатуре, не будут соответствовать фактическим данным, возвращаемым функцией, это приведет к ошибке во время исполнения.

Синтаксис объявления имени и сигнатуры функции рассмотрим на примере:
$f = SystemPython3_8::foo(Callable<()->String>, $script);:

$f и $script — именованные выражения YQL
- $f — готовая для использования функция.
- $script — скрипт на Python из предыдущего раздела.
SystemPython3_8:: — фиксированный префикс для объявления функции на Python. System означает, что Python будет взят из окружения во время исполнения. 3_8 указывает на версию Python, которая будет использована.
- На момент написания доступны версии 3_8 - 3_12.
foo — имя функции внутри скрипта $script, которая будет вызываться.
Callable<()->String> — описание сигнатуры функции. Пустые скобки означают отсутствие аргументов, а String после стрелки — строковый результат. Пример сигнатуры функции с аргументами: Callable<(String, Uint32)->Double>.

Использование UDF в запросе

Полученную после объявления сигнатуры функцию можно вызывать так же, как и любую встроенную функцию YQL. Например: $f() или $udf("test", 123).

Типы данных

Доступные типы данных для указания в сигнатуре функций можно помотреть в разделе Типы данных YQL.

Контейнеры

Контейнеры преобразуются в Python объекты по следующим правилам:

Название	Объявление сигнатуры	Пример сигнатуры	Представление в Python
Список	`List<Type>`	`List<Int32>`	`list-like object` (подробнее)
Словарь	`Dict<KeyType,ValueType>`	`Dict<String,Int32>`	`dict-like object` (подробнее)
Кортеж	`Tuple<Type1,...,TypeN>`	`Tuple<Int32,Int32>`	`tuple`
Структура	`Struct<Name1:Type1,...,NameN:TypeN>`	`Struct<Name:String,Age:Int32>`	`StructSequence`
Поток	`Stream<Type>`	`Stream<Int32>`	`generator`
Вариант над кортежем	`Variant<Type1,Type2>`	`Variant<Int32,String>`	`tuple с индексом и объектом`
Вариант над структурой	`Variant<Name1:Type1,Name2:Type2>`	`Variant<value:Int32,error:String>`	`tuple с именем поля и объектом`

Контейнеры можно вкладывать друг в друга. Пример: List<Tuple<Int32,Int32>>.

Особенности передаваемых в функции объектов для списков и словарей

При использовании List и Dict, в аргументы функции передаются специальные read-only объекты yql.TList и yql.TDict.

Их особенности:

Read-only: в них нельзя что-то поменять не скопировав, так как тем же объектом может пользоваться какая-то другая часть текущего запроса, например соседняя функция.
Ценой потенциально медленного копирования можно получить из них настоящий объект типа list, проитерировавшись для частичного копирования. Для словарей нужно дополнительно вызвать iteritems(). Установив значение атрибута _yql_lazy_input в False на самой функции можно включить автоматическое копирование списков и словарей в list и dict. Данный механизм работает рекурсивно для вложенных контейнеров.
Для получения количества элементов можно вызвать len(my_arg).
Актуальный набор доступных методов можно узнать с помощью вызова dir(my_arg). Пример.

Методы yql.TList:

has_fast_len() — можно ли быстро получить длину. Если вернулось False, то список "ленивый".
has_items() — проверка на пустоту.
reversed() — получить перевернутую копию списка.
skip(n) и take(n) — аналоги срезов [n:] и [:n], соответственно.
to_index_dict() - получить словарь с номерами элементов в качестве ключей, что позволяет осуществлять доступ по индексу.

Пример с _yql_lazy_input:

$u = SystemPython3_8::list_func(Callable<(List<Int32>)->Int32>, @@#py
def list_func(lst):
  return lst.count(1)
list_func._yql_lazy_input = False
@@);
SELECT $u(AsList(1,2,3));

Изменение окружения

Взаимодействие с Python из окружения

SystemPython UDF будет вызываться в отдельной операции в рамках пользовательского скрипта.

Взаимодействие с Python происходит через динамическую библиотеку libpython3.N.so, линковка с которой происходит во время исполнения. Подмена этой библиотеки в окружении приведёт к изменению используемого Python и доступных библиотек.

Изменение окружения из YQL операции возможно при помощи прагм yt.DockerImage и yt.LayerPaths.

Они повлияют на соответствующие параметры пользовательского скрипта, описание которых можно посмотреть в разделе Настройки операций - Параметры пользовательского скрипта.

Окружение по умолчанию

По умолчанию используется дефолтное окружение для джобов, настраиваемое администратором кластера. Оно может не содержать Python требуемой версии.

Пример использования библиотеки tensorflow с помощью pragma yt.DockerImage:

pragma yt.DockerImage = "docker.io/tensorflow/tensorflow:2.16.1";

$script = @@#py
import sys
import tensorflow

def foo():
    return "Python version: " + sys.version + ".\nTensorflow version: " + tensorflow.__version__
@@;

$udf = SystemPython3_11::foo(Callable<()->String>, $script);
SELECT $udf();
-- Python version: 3.11.0rc1 (main, Aug 12 2022, 10:02:14) [GCC 11.2.0].
-- Tensorflow version: 2.16.1

Особенности

При использовании UDF стандартный вывод (stdout) используется для служебных целей, поэтому пользоваться им нельзя.

Примеры

Hello World

$script = @@#py
def hello(name):
    return b'Hello, %s!' % name
@@;

$udf = SystemPython3_8::hello(Callable<(String)->String>, $script);

SELECT $udf("world"); -- "Hello, world!"

Конкатенация строки и числа

$script = @@#py
def concat(a, b):
    return a.decode("utf-8") + str(b)
@@;
$concat = SystemPython3_8::concat(Callable<(String?, Int64?)->String>, $script);

SELECT $concat(name, age) FROM `//tmp/sample`;

Получение актуального списка методов `yql.TList`

$u = SystemPython3_8::get_dir(Callable<(List<Int32>)->List<String>>, @@#py
def get_dir(lst):
  return dir(lst)
@@);
SELECT $u(AsList());

Вызов Llama

Необходимо правильное окружение, которое может быть получено с помощью следующего Dockerfile:

FROM ollama/ollama:0.3.9
RUN apt install -y python3.11 libpython3.11 python3-pip
RUN python3.11 -m pip install ollama

Используя указанный образ, можно вызывать Llama из Python:

pragma yt.DockerImage = "my.docker.registry/ollama/ollama:0.3.9-with-python3.11-2";
pragma yt.DefaultMemoryLimit = "30G";
pragma yt.OperationSpec = "{max_failed_job_count=1;mapper={cpu_limit=64}}";

$script = @@#py
from ollama import Client
import subprocess

def infer_llama(prompt):
    proc = subprocess.Popen(["/bin/ollama", "serve"], stdout=subprocess.DEVNULL)
    client = Client(host='http://localhost:11434')
    client.pull('llama3.1')
    response = client.chat(model='llama3.1', messages=[
        {
            'role': 'user',
            'content': str(prompt),
        },
    ])
    proc.kill()
    return response['message']['content']
@@;
$infer_llama = SystemPython3_11::infer_llama(Callable<(String?)->String>, $script);

select $infer_llama("Why is the sky blue?");

FAQ

Я получаю ошибку `Module not loaded for script type: SystemPython3_8` или `Module SystemPython3_8 is not registered`

Это означает, что функциональность не поддержана на кластере. На кластере должны присутствовать QueryTracker и YqlAgents с минимальной версией образа YTsaurus QueryTracker 0.0.8. Попросите администраторов кластера обновить данные компоненты.

Я получаю ошибку `libpython3.8.so.1.0: cannot open shared object file: No such file or directory`

Это означает, что в окружении джоба, исполняющего функцию, нет динамической библиотеки libpython3.8.so.1.0. Необходимо использовать ту версию Python, которая присутствует в окружении джоба. Подробнее.

Если используется прагма yt.DockerImage, то необходимо убедиться, что кластер поддерживает такой способ изменения окружения. Подробнее.

Обзор

Работа с Jupyter Notebooks