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

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

2025-06-14 01:35:18作者:仰钰奇

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。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
192
2.15 K
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
78
72
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
969
572
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
547
76
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
349
1.35 K
giteagitea
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
17
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
205
284
leetcodeleetcode
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
17