### PythonCaller 的使用方法 PythonCaller 是 FME 中用于处理要素的 Python 脚本调用工具，允许接收前一个转换器的输出作为输入，并将处理结果传递给后续转换器。它适用于封装数据处理逻辑，实现自定义转换器功能，而不仅仅是独立的代码执行区域。[^2] #### 基本结构 PythonCaller 脚本通常包括以下三个核心函数： - `__init__`: 初始化方法，用于接收参数和初始化类变量。 - `input`: 处理每个输入要素的方法。 - `close`: 在所有要素处理完成后执行，适用于清理资源或执行批量操作。 以下是一个基础示例： ```python class FeatureHandler(object): def __init__(self): pass def input(self, feature): # 获取属性值 value = feature.getAttribute('AttributeName') # 修改属性值 feature.setAttribute('NewAttribute', value * 2) # 将处理后的要素传递给下一个转换器 self.pyoutput(feature) def close(self): pass ``` #### 数据获取与设置 在 `input` 方法中，可以使用 `feature.getAttribute()` 获取前一个转换器传递的属性值，也可以使用 `feature.setAttribute()` 设置新的属性值。最终通过 `self.pyoutput(feature)` 将处理后的要素输出给下一个转换器。[^1] #### 日志记录与调试 由于 PythonCaller 中的 `print` 语句不会直接输出到 FME 的日志窗口，调试时可以使用 `FMELogFile` 类进行日志记录： ```python def input(self, feature): logger = fmeobjects.FMELogFile() logger.logMessageString("Processing feature...") # 其他处理逻辑 self.pyoutput(feature) ``` 这种方式可以有效跟踪变量状态和执行流程，提升调试效率。[^4] #### 多线程与异步操作 PythonCaller 支持在 `close` 方法中使用线程池进行异步操作，适用于批量处理任务。例如，使用 `ThreadPoolExecutor` 可以并行执行多个下载任务： ```python from concurrent.futures import ThreadPoolExecutor class FeatureHandler(object): def __init__(self): self.aa = [] self.bb = [] def input(self, feature): self.aa.append(feature.getAttribute('url')) self.bb.append(feature.getAttribute('road')) def close(self): def download(road, url, x): # 下载逻辑 pass with ThreadPoolExecutor(50) as t: for i in range(len(self.aa)): t.submit(download, road=self.bb[i], url=self.aa[i], x=self.aa[i]) ``` 这种方式可以显著提升处理效率，尤其适用于网络请求或文件操作等耗时任务。[^5] #### 调用外部工具 PythonCaller 也可以用于调用外部程序，例如使用 `subprocess` 模块运行 7-Zip 解压压缩包： ```python import subprocess def input(self, feature): zip_path = feature.getAttribute('zipPath') extract_path = feature.getAttribute('extractPath') subprocess.run(['7z', 'x', zip_path, f'-o{extract_path}']) self.pyoutput(feature) ``` 这种方式可以弥补 FME 原生组件在特定场景下的功能缺失，例如无法读取压缩包中的空目录。[^3]