feat: llm 翻译节点打印分批进度与 token 处理速度日志
翻译节点 translate_lines 分批调用 LLM 时补充可观测日志： - 任务开始打印总行数与总批数；每完成一批打印总进度（已完成/总行数、 第几批/共几批、批耗时、累计耗时与行/s），结束打印汇总（总耗时、 累计 tokens、tok/s 与行/s），便于评估 LLM 处理速度； - _call_llm 解析响应 usage（total_tokens），每次请求打印单批耗时与 token/s（接口不返回 usage 时按 0 处理）； - _translate_batch 改为返回(译文, 本批 tokens)，供累计汇总； - 补充空输入直接返回的单测，保持 100% 行覆盖率。
This commit is contained in:
+80
-14
@@ -23,10 +23,13 @@ from __future__ import annotations
|
||||
|
||||
import json
|
||||
import os
|
||||
import time
|
||||
import urllib.error
|
||||
import urllib.request
|
||||
from pathlib import Path
|
||||
|
||||
from wov_app.logging import get_logger
|
||||
|
||||
from wov_sdk.models import InvokeRequest, InvokeResponse
|
||||
from nodes.subtitle_cleanup import clean_srt_text
|
||||
from nodes.proper_nouns import build_proper_noun_rule
|
||||
@@ -36,6 +39,9 @@ CHUNK_SIZE = 20
|
||||
# 批次翻译重试次数（LLM 偶发少行时重发本批，内容缺失无法靠占位恢复）。
|
||||
MAX_BATCH_RETRIES = 3
|
||||
|
||||
# 节点运行日志：翻译分批进度与处理速度输出到主进程控制台。
|
||||
logger = get_logger("llm-translate")
|
||||
|
||||
|
||||
def _system_prompt(target_language: str) -> str:
|
||||
"""构造翻译系统提示词（返回单个字符串，不用隐式拼接避免 tuple bug）。
|
||||
@@ -63,13 +69,20 @@ def _call_llm(
|
||||
system_prompt: str,
|
||||
user_content: str,
|
||||
request_timeout: float,
|
||||
log_prefix: str = "",
|
||||
**_: object,
|
||||
) -> str:
|
||||
"""发送一次 OpenAI 兼容的 chat.completions 请求，返回 content 字符串。
|
||||
) -> tuple[str, dict | None]:
|
||||
"""发送一次 OpenAI 兼容的 chat.completions 请求，返回 (content, usage)。
|
||||
|
||||
支持响应 choices[0].message.content 字段；enable_thinking=False 避免
|
||||
Qwen3 等模型的 reasoning_content 占满输出导致 content 为空/截断。
|
||||
|
||||
usage 为响应体里的 usage 对象（含 prompt_tokens/completion_tokens/
|
||||
total_tokens），部分兼容接口不返回 usage 时为 None——调用方用其估算
|
||||
token 处理速度。log_prefix 为日志行前缀（如"第 2/5 批"），用于打印
|
||||
单批耗时与 token 速度。
|
||||
"""
|
||||
started = time.monotonic()
|
||||
body = {
|
||||
"model": model,
|
||||
"messages": [
|
||||
@@ -91,7 +104,16 @@ def _call_llm(
|
||||
with urllib.request.urlopen(request, timeout=request_timeout) as response:
|
||||
payload = json.loads(response.read().decode("utf-8"))
|
||||
content = payload["choices"][0]["message"]["content"]
|
||||
return content
|
||||
usage = payload.get("usage")
|
||||
# 单批耗时与 token 速度日志：直观反映 LLM 处理速度（wall clock）。
|
||||
elapsed = time.monotonic() - started
|
||||
tokens = int(usage.get("total_tokens", 0)) if isinstance(usage, dict) else 0
|
||||
rate = tokens / elapsed if elapsed > 0 and tokens > 0 else 0.0
|
||||
logger.info(
|
||||
"LLM 响应 %s 耗时 %.1fs, tokens=%d (%.1f tok/s)",
|
||||
log_prefix, elapsed, tokens, rate,
|
||||
)
|
||||
return content, usage
|
||||
|
||||
|
||||
def _repair_batch(batch: list[str], expected: int) -> list[str]:
|
||||
@@ -116,6 +138,10 @@ def translate_lines(lines: list[str], params: dict) -> list[str]:
|
||||
每批输入行数保持一致；若 LLM 返回行数不一致：多行合并、少行重试该批
|
||||
（最多 MAX_BATCH_RETRIES 次），仍不足则补空串占位。保证每条字幕都有
|
||||
译文且时间轴与原文逐条对齐，杜绝"内容对错时间"的错位。
|
||||
|
||||
日志：每完成一批打印总进度（已完成行数/总行数、第几批/共几批、累计
|
||||
耗时与行处理速度），结束打印汇总（总耗时、累计 tokens 与 tok/s），
|
||||
便于评估 LLM 处理速度。
|
||||
"""
|
||||
api_base = os.getenv(
|
||||
"LLM_API_BASE",
|
||||
@@ -127,13 +153,45 @@ def translate_lines(lines: list[str], params: dict) -> list[str]:
|
||||
target_language = str(params.get("target_language", "zh-CN"))
|
||||
system_prompt = _system_prompt(target_language)
|
||||
|
||||
total_lines = len(lines)
|
||||
total_batches = (total_lines + CHUNK_SIZE - 1) // CHUNK_SIZE if total_lines else 0
|
||||
if total_lines == 0:
|
||||
return []
|
||||
# 任务开始日志：总行数与总批数（批次 = CHUNK_SIZE 行，最后一批可能不足）。
|
||||
logger.info("翻译开始: %d 行, 分 %d 批", total_lines, total_batches)
|
||||
|
||||
translated: list[str] = []
|
||||
for start in range(0, len(lines), CHUNK_SIZE):
|
||||
total_tokens = 0
|
||||
all_started = time.monotonic()
|
||||
for batch_index in range(1, total_batches + 1):
|
||||
start = (batch_index - 1) * CHUNK_SIZE
|
||||
chunk = lines[start : start + CHUNK_SIZE]
|
||||
batch_translated = _translate_batch(
|
||||
chunk, api_base, api_key, model, system_prompt, request_timeout
|
||||
# 每批日志前缀（第几批/共几批），供单次 LLM 请求日志与批进度复用。
|
||||
log_prefix = f"第 {batch_index}/{total_batches} 批"
|
||||
batch_started = time.monotonic()
|
||||
batch_translated, batch_tokens = _translate_batch(
|
||||
chunk, api_base, api_key, model, system_prompt, request_timeout, log_prefix
|
||||
)
|
||||
translated.extend(batch_translated)
|
||||
total_tokens += batch_tokens
|
||||
# 批进度日志：已完成行数/总行数、当前批耗时、累计耗时与行处理速度。
|
||||
done = len(translated)
|
||||
elapsed_total = time.monotonic() - all_started
|
||||
logger.info(
|
||||
"翻译进度 %d/%d 行 (%s完成, 批耗时 %.1fs, 累计 %.1fs, %.1f 行/s)",
|
||||
done, total_lines, log_prefix,
|
||||
time.monotonic() - batch_started, elapsed_total,
|
||||
done / elapsed_total if elapsed_total > 0 else 0.0,
|
||||
)
|
||||
# 任务汇总日志：总耗时、累计 tokens 与 token/行处理速度。
|
||||
wall = time.monotonic() - all_started
|
||||
tok_rate = total_tokens / wall if wall > 0 and total_tokens > 0 else 0.0
|
||||
logger.info(
|
||||
"翻译完成: %d/%d 行, %d 批, 总耗时 %.1fs, 累计 tokens=%d (%.1f tok/s, %.1f 行/s)",
|
||||
len(translated), total_lines, total_batches, wall,
|
||||
total_tokens, tok_rate,
|
||||
len(translated) / wall if wall > 0 else 0.0,
|
||||
)
|
||||
return translated
|
||||
|
||||
|
||||
@@ -144,39 +202,47 @@ def _translate_batch(
|
||||
model: str,
|
||||
system_prompt: str,
|
||||
request_timeout: float,
|
||||
) -> list[str]:
|
||||
"""翻译单个批次：行数不一致时多行合并、少行重试，返回与 chunk 等长译文。
|
||||
log_prefix: str = "",
|
||||
) -> tuple[list[str], int]:
|
||||
"""翻译单个批次，返回 (与 chunk 等长译文, 本批 total_tokens)。
|
||||
|
||||
每批调用前根据本批原文命中情况动态拼接专名/隐语规则（build_proper_noun_rule），
|
||||
注入到系统提示词，让 LLM 正确处理片假名专名与成人语境隐语。"""
|
||||
行数不一致时多行合并、少行重试；每批调用前根据本批原文命中情况动态
|
||||
拼接专名/隐语规则（build_proper_noun_rule），注入到系统提示词，让 LLM
|
||||
正确处理片假名专名与成人语境隐语。"""
|
||||
# 本批命中的专名/隐语规则（无命中返回 None）。
|
||||
rule = build_proper_noun_rule(chunk)
|
||||
batch_system = system_prompt
|
||||
if rule:
|
||||
batch_system = system_prompt + "\n\n" + rule
|
||||
attempt = 0
|
||||
batch_tokens = 0
|
||||
while True:
|
||||
content = _call_llm(
|
||||
# content 为译文文本；usage 含本批 prompt/completion tokens（接口不
|
||||
# 返回时为 None），用于累计任务 token 总量与速度评估。
|
||||
content, usage = _call_llm(
|
||||
api_base,
|
||||
api_key,
|
||||
model,
|
||||
batch_system,
|
||||
"\n".join(chunk),
|
||||
request_timeout,
|
||||
log_prefix,
|
||||
)
|
||||
if isinstance(usage, dict):
|
||||
batch_tokens = int(usage.get("total_tokens", 0) or 0)
|
||||
# 保留所有行：先 rstrip 尾随换行避免多出末尾空行，再 splitlines 保留
|
||||
# 内容中的空串行（空行可能是合法的空字幕，过滤掉会误判行数）。
|
||||
batch = content.rstrip("\n").splitlines()
|
||||
if len(batch) == len(chunk):
|
||||
return batch
|
||||
return batch, batch_tokens
|
||||
if len(batch) > len(chunk):
|
||||
# 多行：末尾多出的行合并到前一行，直接返回。
|
||||
return _repair_batch(batch, len(chunk))
|
||||
return _repair_batch(batch, len(chunk)), batch_tokens
|
||||
# 少行：内容缺失，占位补空会丢语义，重试本批。
|
||||
attempt += 1
|
||||
if attempt >= MAX_BATCH_RETRIES:
|
||||
# 重试耗尽：补空串占位（宁缺勿错位），避免整条任务失败。
|
||||
return _repair_batch(batch, len(chunk))
|
||||
return _repair_batch(batch, len(chunk)), batch_tokens
|
||||
|
||||
|
||||
def invoke(request: InvokeRequest) -> InvokeResponse:
|
||||
|
||||
@@ -520,6 +520,15 @@ def test_llm_translate_lines_via_fake_api(monkeypatch) -> None:
|
||||
thread.join(timeout=5)
|
||||
|
||||
|
||||
def test_llm_translate_lines_empty_input() -> None:
|
||||
"""验证空行列表直接返回空译文，不发起任何 LLM 请求。
|
||||
|
||||
翻译开始前对空输入提前返回：没有字幕行时无需计算批数、也无需调用
|
||||
接口（避免无谓请求与除零等边界问题），同时保持返回类型为列表。"""
|
||||
result = translate_lines([], {})
|
||||
assert result == []
|
||||
|
||||
|
||||
def test_llm_translate_lines_api_error(monkeypatch) -> None:
|
||||
"""验证 LLM 接口不可用时抛出 URLError。"""
|
||||
def fail_open(request, timeout):
|
||||
|
||||
Reference in New Issue
Block a user