Python 交互

安装 Dora CLI 及其依赖之前，请先确认您的 Python 3.11 已安装。

创建并激活虚拟环境，使用 uv 创建一个干净的虚拟环境：
```
uv venv --seed -p 3.11
source .venv/bin/activate  # Linux/macOS
.venv\Scripts\activate     # Windows
```
安装 Dora CLI
```
pip install dora-rs-cli
```

建立一个新的数据流(dataflow)

# 建立一个新的基于 Python 的数据流并导行至项目目录
dora new conversation_py --lang python
cd conversation_py

这将创建以下 conversation_py 目录

├── dataflow.yml
├── listener-1
│   ├── README.md
│   ├── listener_1
│   │   ├── __init__.py
│   │   ├── __main__.py
│   │   └── main.py
│   ├── pyproject.toml
│   └── tests
│       └── test_listener_1.py
├── talker-1
│   ├── README.md
│   ├── pyproject.toml
│   ├── talker_1
│   │   ├── __init__.py
│   │   ├── __main__.py
│   │   └── main.py
│   └── tests
│       └── test_talker_1.py
└── talker-2
    ├── README.md
    ├── pyproject.toml
    ├── talker_2
    │   ├── __init__.py
    │   ├── __main__.py
    │   └── main.py
    └── tests
       └── test_talker_2.py

例如您可以使用如下命令添加另一个节点至工作空间
```
 dora new --kind node talker --lang python
```
现在请在您的文本编辑器中打开 talker-1/talker_1/main.py 文件。
默认节点如何工作

您的节点现在非常简陋，但这里是默认情况下其中发生的事情的解释。
- 本节导入并初始化节点。
```
from dora import Node
import pyarrow as pa

def main():
   node = Node()
```
- 这部分代码检查节点是否收到了任何输入，如果有，它将打印出一些与输入相关的数据。
```
for event in node:
   if event["type"] == "INPUT":
      print(
         f"""Node received:
      id: {event["id"]},
      value: {event["value"]},
      metadata: {event["metadata"]}"""
      )
```
- 此行代码发送一个输出至另一个节点。
```
      node.send_output("speech", pa.array(["Hello World"])) # 添加本行代码
```
- 我们使用 send_output 方法将字符串作为箭头数组发送到侦听器节点。
- 第一个参数是我们想要在数据流中稍后引用的输出ID。
- 第二个参数，pa.array(["Hello World"])，使用 Apache Arrow 处理数据。在这里，pa.array 从列表["Hello World"]中创建一个箭头数组。
- 此处省略了元数据的第三个参数，这表明本教程不需要有关传输的其他数据。

让我们分割监听器节点

  from dora import Node


   def main():
      node = Node()
      for event in node:
         if event["type"] == "INPUT":
               message = event["value"][0].as_py()
               print(f"""I heard {message} from {event["id"]}""")


   if __name__ == "__main__":
      main()

让我们分割这个脚本中的关键行。

event["value"] 包含一个 Apache Arrow 数组，这是一个高效处理复杂数据的结构性方法。通过访问 [0]，我们检索了这个数组的第一个元素。
.as_py()方法将箭头元素直接转换为原生的 Python 数据类型。

运行数据流(dataflow)

在运行数据流之前我们必须先修改它：
```
nodes:
  - id: talker
    path: talker-1/talker_1/main.py
    inputs:
      tick: dora/timer/secs/1
    outputs:
      - speech

  - id: listener
    path: listener-1/listener_1/main.py
    inputs:
      speech: talker/speech
```
在我们运行数据流之前，让我们快速回顾一下。
- talker 节点将每秒发送一次输入，然后使其发送输出。
- listener 节点将收到来自 talker 节点的输入，然后打印出它监听到的内容。
- talker 输出的名称对应于talker 节点中设置的id。
现在运行数据流。
```
# 构建数据流（安装相关依赖）：
dora build dataflow.yml --uv

# 运行数据流
dora run dataflow.yml --uv
```
- 您应该可以看到监听节点打印出的消息 "I heard Hello World from speech"。
结论

本教程将完美结束！您已经学会了创建和运行自定义 Dora 数据流，并集成了 talker 和 listener 节点。此设置为更复杂的数据流奠定了基础。如需进一步探索，请考虑尝试不同的数据类型或探索 Dora 的高级功能。更多教程即将到来！