Data-Juicer项目中Ray集群运行BTS MinHash去重器的故障排查

问题背景

在使用Data-Juicer数据处理工具时，用户尝试在Ray集群环境下运行ray_bts_minhash_deduplicator去重算子时遇到了文件路径访问错误。该问题表现为程序无法在指定路径创建临时Parquet文件，导致整个去重过程失败。

错误现象

当用户执行以下命令时：

python tools/process_data.py --config demos/process_on_ray/configs/dedup.yaml

系统报出FileNotFoundError错误，具体表现为：

FileNotFoundError: [Errno 2] Failed to open local file '/data/data2/datajuicer/data-juicer-main-1.0.3/outputs/demo-dedup/.tmp/01000000/1_000001_000000.parquet'

根本原因分析

该问题的核心在于Ray集群环境下文件系统的访问机制。在分布式计算环境中，当使用Ray集群时：

1. 文件系统共享问题：Ray集群中的各个工作节点需要能够访问相同的文件系统路径。如果临时目录位于本地文件系统而非共享存储中，不同节点将无法访问同一路径。

2. 路径解析差异：Ray在执行任务时可能会在不同的节点上运行，这些节点对相同路径可能有不同的解析方式。

3. 临时文件管理：BTS MinHash去重器在运行过程中需要创建临时文件来存储中间结果，这些文件需要在集群所有节点间共享。

解决方案

针对这个问题，有两种可行的解决方案：

方案一：使用共享文件系统

确保export_path配置的路径位于所有Ray节点都能访问的共享文件系统中，如NFS、HDFS或S3等分布式文件系统。这是官方推荐的解决方案。

方案二：修改代码使用Ray本地协议

用户自行发现的解决方案是修改ray_bts_minhash_deduplicator.py文件中的路径生成逻辑，添加"local://"前缀：

tmp_dir = os.path.join("local://"+ self.work_dir, '.tmp',
                       ray.get_runtime_context().get_job_id())

这种方法利用了Ray的本地文件协议，确保文件操作在Ray的分布式环境下正确执行。

技术原理深入

Ray的分布式文件访问机制有其特殊性：

1. 本地文件协议：在Ray中使用"local://"前缀可以让Ray知道这是一个应该在各个节点本地解析的路径，而不是共享路径。

2. 任务调度：Ray在执行任务时会将任务调度到不同节点，每个节点需要有独立的临时文件空间。

3. 数据序列化：Ray在节点间传输数据时会进行序列化和反序列化，临时文件的管理需要与这一机制配合。

最佳实践建议

1. 对于生产环境，建议使用方案一，配置真正的共享文件系统路径。

2. 对于开发和测试环境，可以使用方案二作为快速解决方案。

3. 在编写自定义算子时，应当考虑分布式环境下的文件访问问题，避免硬编码本地路径。

4. 对于临时文件的管理，可以考虑使用Ray提供的分布式存储API，而不是直接操作文件系统。

总结

Data-Juicer项目中的ray_bts_minhash_deduplicator在Ray集群环境下运行时，需要特别注意文件系统的访问方式。这个问题典型地展示了分布式计算环境中资源访问的特殊性，开发者在设计和实现数据处理流水线时，应当充分考虑分布式环境的特性，确保代码在单机和集群环境下都能正确运行。