引言
在现代软件开发中，python因其强大的科学计算和机器学习生态系统而备受青睐，而java则以其健壮性、高性能和广泛的企业应用而闻名。将python中开发的机器学习模型集成到java应用程序中，是许多项目面临的常见需求。本文将介绍一种直接在java虚拟机（jvm）中运行python代码的方法——使用jython，来实现这一集成。
Jython：桥接Python与Java的方案
Jython是Python编程语言的一个实现，它运行在Java平台上。这意味着Jython代码可以直接与Java类库进行交互，反之亦然。对于需要在Java应用中直接调用Python逻辑（尤其是那些不依赖于C语言扩展的纯Python实现）的场景，Jython提供了一个优雅的解决方案。
Jython的优势：
- 直接集成： Python代码在JVM内部运行，无需额外的进程间通信。
- Java互操作性： Python代码可以导入和使用Java类，Java代码也可以调用Python对象和函数。
- 简化部署： Python脚本可以打包在Java应用程序中，简化了部署过程。
集成步骤详解
以下是使用Jython在Java中集成Python模型的具体步骤。
1. 准备Python模型代码
首先，我们需要一个包含机器学习逻辑的Python脚本。为了演示，我们创建一个简单的Classifier类，其中包含一个classify方法。
立即学习“Java免费学习笔记（深入）”；
classifier_model.py:
# classifier_model.py
class Classifier:
"""
一个简单的分类器模型示例。
"""
def classify(self, i: int) -> int:
"""
对输入进行分类（此处为简单加1操作）。
"""
print(f"Python: Received input {i}")
return i + 1
# 在Python脚本中实例化分类器，以便Java可以获取到它
classifier = Classifier()
def main():
"""
示例主函数，在Python内部测试分类器。
"""
result = classifier.classify(10)
print(f"Python: Classification result for 10 is {result}")
if __name__ == "__main__":
main()2. 配置Jython依赖
在Java项目中，您需要添加Jython的JAR包作为依赖。如果您使用Maven，可以在pom.xml中添加如下配置：
org.python jython-standalone 2.7.3
或者，如果您使用Gradle：
implementation 'org.python:jython-standalone:2.7.3'
3. 初始化Jython解释器并执行Python脚本
在Java代码中，您需要创建一个PythonInterpreter实例来执行Python代码。
iWebMall多用户商城系统
下载
iWebMall 是一款高性能高扩展能力的开源 LAMP 电子商务软件，定位为大中型电子商务平台软件，服务于有建立电子商务需求的商业客户。这些商业客户不必学习任何计算机编程代码知识，只需要使用 iWebMall 软件他们就可以轻松建立一个功能强大的网上商城，实现用户注册、产品展示、在线定购、在线支付等电子商务功能；iWebMall 集成了产品发布与查询、会员注册登录、购物车、在线订单、在线支付、在
import org.python.core.PyException;
import org.python.core.PyInteger;
import org.python.core.PyObject;
import org.python.util.PythonInterpreter;
public class PythonIntegrationExample {
public static void main(String[] args) throws PyException {
// 1. 初始化Python解释器
PythonInterpreter interp = new PythonInterpreter();
// 2. 执行Python脚本
// 假设 classifier_model.py 在项目的classpath下，或者提供完整路径
// 注意：execfile() 方法会执行整个脚本，并将其中的全局变量和函数加载到解释器环境中。
// 这里假设 classifier_model.py 放在项目根目录或资源文件夹，
// 实际应用中可能需要调整路径。
// 为了演示，我们直接将Python代码作为字符串执行。
String pythonCode =
"class Classifier:\n" +
" def classify(self, i: int) -> int:\n" +
" print(f\"Python: Received input {i}\")\n" +
" return i + 1\n\n" +
"classifier = Classifier()\n";
interp.exec(pythonCode); // 使用exec()执行字符串形式的Python代码
// 如果您希望从文件中加载，确保文件可访问：
// interp.execfile("path/to/your/classifier_model.py");
// 例如，如果文件在resources目录下，可能需要通过ClassLoader获取InputStream
// interp.execfile(PythonIntegrationExample.class.getResourceAsStream("/classifier_model.py"));4. 获取Python对象并调用方法
Python脚本执行后，其中定义的全局变量（如我们实例化后的classifier对象）就可以通过解释器获取到。
// 3. 获取Python中的 'classifier' 对象
PyObject classifierPyObject = interp.get("classifier");
if (classifierPyObject == null) {
System.err.println("Error: 'classifier' object not found in Python script.");
return;
}
// 4. 调用 Python 对象的方法
// invoke() 方法用于调用Python对象的方法。
// 参数需要是 PyObject 类型，例如 PyInteger, PyString 等。
int inputValue = 5;
PyObject resultPyObject = classifierPyObject.invoke("classify", new PyInteger(inputValue));
// 5. 处理返回结果
// PyObject 可以转换为 Java 基本类型或对象
int result = resultPyObject.asInt();
System.out.println("Java: Classification result for " + inputValue + " is: " + result);
// 进一步测试
int anotherValue = 12;
PyObject anotherResultPyObject = classifierPyObject.invoke("classify", new PyInteger(anotherValue));
System.out.println("Java: Classification result for " + anotherValue + " is: " + anotherResultPyObject.asInt());
// 关闭解释器（可选，但推荐在不再使用时进行）
interp.close();
}
}完整代码示例
为了方便理解，我们将Java和Python代码整合在一个流程中。
classifier_model.py (保持不变):
class Classifier:
def classify(self, i: int) -> int:
print(f"Python: Received input {i}")
return i + 1
classifier = Classifier()PythonIntegrationExample.java:
import org.python.core.PyException;
import org.python.core.PyInteger;
import org.python.core.PyObject;
import org.python.util.PythonInterpreter;
public class PythonIntegrationExample {
public static void main(String[] args) throws PyException {
// 1. 初始化Python解释器
PythonInterpreter interp = new PythonInterpreter();
try {
// 2. 执行Python脚本内容
// 最佳实践：从文件或资源加载Python脚本
// 为了演示，这里直接使用字符串形式的Python代码
String pythonCode =
"class Classifier:\n" +
" def classify(self, i: int) -> int:\n" +
" print(f\"Python: Received input {i}\")\n" +
" return i + 1\n\n" +
"classifier = Classifier()\n";
interp.exec(pythonCode);
// 3. 获取Python中的 'classifier' 对象
PyObject classifierPyObject = interp.get("classifier");
if (classifierPyObject == null) {
System.err.println("Error: 'classifier' object not found in Python script.");
return;
}
// 4. 调用 Python 对象的方法
int inputValue1 = 5;
PyObject resultPyObject1 = classifierPyObject.invoke("classify", new PyInteger(inputValue1));
System.out.println("Java: Classification result for " + inputValue1 + " is: " + resultPyObject1.asInt());
int inputValue2 = 10;
PyObject resultPyObject2 = classifierPyObject.invoke("classify", new PyInteger(inputValue2));
System.out.println("Java: Classification result for " + inputValue2 + " is: " + resultPyObject2.asInt());
} catch (PyException e) {
System.err.println("A Python error occurred: " + e.getMessage());
e.printStackTrace();
} finally {
// 确保解释器被关闭
if (interp != null) {
interp.close();
}
}
}
}运行结果示例：
Python: Received input 5 Java: Classification result for 5 is: 6 Python: Received input 10 Java: Classification result for 10 is: 11
注意事项与限制
尽管Jython提供了一种便捷的Python-Java集成方式，但在实际应用于机器学习模型时，存在一些重要的限制：
- C扩展库兼容性： Jython是纯Java实现的Python，它无法直接运行依赖于C语言扩展的Python库。这意味着像NumPy、SciPy、Pandas、TensorFlow、PyTorch等主流机器学习库，都无法在Jython环境中直接使用。如果您的机器学习模型严重依赖这些库，Jython将不适用。
- 性能： 对于计算密集型任务，Jython的性能可能不如原生Python或Java代码。
- Python版本支持： Jython通常会滞后于CPython（官方Python实现）的版本。目前（Jython 2.7.3）主要支持Python 2.7语法，对Python 3的支持还在发展中。
- 环境管理： 在Java项目中管理Python的依赖（尤其是一些纯Python库）可能不如使用pip那样方便。
适用场景： Jython更适合于以下场景：
- 模型逻辑完全由纯Python实现，不依赖于C扩展库。
- 需要执行一些Python脚本进行数据预处理、规则引擎或轻量级计算。
- 希望将Python代码作为“插件”嵌入到Java应用中。
对于依赖复杂机器学习库的模型，更常见的集成方案是：
- 构建RESTful API： 使用Flask、FastAPI等Python框架将模型部署为微服务，Java应用通过HTTP请求调用。
- gRPC： 使用gRPC进行高性能的跨语言通信。
- 模型序列化格式： 将模型导出为ONNX、PMML等跨平台格式，然后在Java中使用相应的推理引擎。
总结
通过Jython，开发者可以在Java应用程序中无缝地执行和调用纯Python代码，这为Python与Java的集成提供了一条直接的路径。通过本文提供的步骤和示例，您可以成功地将简单的Python逻辑（如本例中的分类器）嵌入到您的Java项目中。然而，在决定使用Jython时，务必充分考虑其在处理依赖C扩展的复杂机器学习库时的局限性，并根据实际需求选择最合适的集成方案。
