cat-shark
171b088e7c
此前组内阶段是串行的（先全部提音、再全部转写、再全部翻译），LLM 走线上端点时 翻译阶段不占显存、GPU 全程空转——实测占整轮挂钟约 40%（19.6W / 272MiB）。 - `_run_job` 改为按组启动在途流水线：每个视频独立推进自己的阶段，最多 `WOV_BATCH_PIPELINE_WORKERS`（默认 4）个阶段在途。 - 派发只看资源：`stage_gpu_need_mb` 为 0 的阶段（提音、线上翻译、ASS）立刻派发， 可与其它视频的转写并行；需要 GPU 的阶段由 `GpuGate` 互斥准入，并按"阶段索引 最小者优先"派发，组内仍是先跑完全部转写再进翻译——本机 Ollama 模型每组只 加载一次，不需要按"是否云端"写分支。 - 同一阶段只在途一份（派发即标记 running），单视频异常不带走整组；暂停沿用 run 级 paused.flag，暂停后不再派发新阶段。 - 测试：远端翻译与其它视频转写重叠、本机端点下全部转写先于翻译且翻译互斥、 提音与转写重叠，以及既有分组/暂停/失败隔离用例。
210 lines
17 KiB
Markdown
210 lines
17 KiB
Markdown
# 运维
|
||
|
||
## 孤儿数据清理
|
||
|
||
应用内置后台清理器（`src/wov_app/maintenance.py`），按周期自动清理死数据：
|
||
|
||
- **自动删除**：无任务记录的上传/步骤残留目录；COMPLETED 且产物文件全部丢失、
|
||
超过宽限期（默认 1 小时）的任务记录（下载已全部 404）。
|
||
- **绝不自动删除**：FAILED 任务（可重试）、QUEUED/RUNNING 任务、宽限期内的任务、
|
||
仍有产物文件的任务。
|
||
- 手动删除任务仅通过删除接口（`DELETE /api/runs/{run_id}`）或管理界面进行。
|
||
|
||
## 任务暂停/继续（2026-08）
|
||
|
||
- **状态机**：`QUEUED / RUNNING / PAUSED / COMPLETED / FAILED`。排队中或运行中的
|
||
任务可暂停（`POST /api/runs/{run_id}/pause`），PAUSED 可继续
|
||
（`POST /api/runs/{run_id}/resume` → 恢复 QUEUED）。
|
||
- **调度器语义**：`next_queued_run` **只取 QUEUED**——PAUSED 任务不会被调度器
|
||
自动拾起（修复回归：此前 PAUSED 被拾起后 `execute_run` 先置 RUNNING 再检查，
|
||
节点循环读到的是刚改的 RUNNING，"暂停检查"永远不成立 → 任务被复活继续跑，
|
||
表现为"点击暂停反而开始任务"）。`execute_run` 以 PAUSED 进入时直接返回保持暂停，
|
||
必须用户显式 resume（PAUSED → QUEUED）后才真正执行；运行中被暂停的任务在每个
|
||
节点边界检查状态停下保持 PAUSED（当前节点执行完后才停）；继续时从产物表
|
||
（`restore_run_outputs`，剥去"节点ID."前缀还原输出名）重建已完成节点的输出，
|
||
**跳过已完成节点断点续跑**，最后补做 final_outputs 收尾。
|
||
- **重启恢复**：进程被杀/重启时遗留的 RUNNING 任务在启动时被
|
||
`recover_interrupted_runs` 恢复为 QUEUED（保留产物），调度器自动断点续跑；
|
||
PAUSED 任务保持不变，等待显式 resume。
|
||
- **节点级断点（subtitle-ocr）**：OCR 每帧完成后立即把 `{frame, text}` 追加到
|
||
`steps/ocr/ocr_partial.jsonl`（多线程下加锁串行化）。invoke 启动时读取存档，
|
||
只对未处理帧调用 vlm-ocr，存档文本与新增结果合并后组装 SRT——2 小时视频级
|
||
OCR 任务中断/重启后不重复已处理帧，产物与一次跑完逐字节一致。
|
||
- **节点内暂停响应（subtitle-ocr）**：暂停接口（`POST /api/runs/{run_id}/pause`）
|
||
除置 PAUSED 外还向 run 根目录写入 `paused.flag`；OCR 工作线程**逐帧检查**该
|
||
信号，存在即立即中止（不 OCR、不入存档，恢复时重跑该帧），invoke 返回
|
||
failed；调度器捕获节点异常时若任务已是 PAUSED 则**保持 PAUSED 不标 FAILED**，
|
||
resume 时清除信号并从断点存档继续——点击暂停后 OCR 秒级停下，不再等整个
|
||
节点跑完。继续/重试接口与调度器执行前都会清理残留信号。
|
||
- **前端**：任务管理页为 QUEUED/RUNNING 提供"暂停"、PAUSED 提供"继续"按钮。
|
||
|
||
## 进度日志（数据处理速度）
|
||
|
||
- 调度器：每节点完成打印"任务 X 进度 i/N 节点: Y 耗时 Zs, 运行累计 Ws"；
|
||
- subtitle-ocr：`OCR 进度 X/Y 帧 (Z 帧/s, 平均 Ws/帧, 线程 N/M)`；
|
||
llm-filter：`字幕判定进度 X/Y 条 (Z 条/s, 平均 Ws/条, 线程 N/M)`
|
||
——`W` 为最近窗口平均单任务耗时（窗口未满时回退累计平均），`N` 为当前目标
|
||
线程数、`M` 为 `pool_max_workers` 上限，用于判断多线程是否因单次处理过慢
|
||
（窗口平均 ≥ `pool_fast_threshold`）而未扩容（线程池 `on_progress` 回调，
|
||
每任务完成触发）；
|
||
- whisper：分块转写打印"分块 X/Y 完成 offset=... 耗时 Zs (Nx 实时, 累计 ...s)"；
|
||
- frame-extract：ffmpeg `-progress` 输出解析 `frame=N`，打印"抽帧进度 X/Y 帧 (Z 帧/s)"。
|
||
|
||
## 文件夹批量处理
|
||
|
||
本地版核心能力：**不把视频上传到工作目录**，直接读取用户所选文件夹下的全部
|
||
视频，逐个执行所选流水线。入口为批量处理页（`web/batch.html`，导航"批量处理"），
|
||
后端为 `src/wov_app/batch.py` 的 `BatchWorker`（单线程轮询线程，处理
|
||
`source=batch` 的运行，与主调度器互不抢占）与 `routers/batch.py`。
|
||
|
||
- **路径选择**：批量页点击"选择文件夹…"按钮弹出目录树选择器（懒加载），选完
|
||
回填只读路径框。浏览器拿不到所选文件夹的绝对路径，因此由**本地后端**提供目录
|
||
浏览：`GET /api/batch/roots`（Windows 盘符 / POSIX 根 + 家目录）、
|
||
`GET /api/batch/dirs?path=`（列直接子目录，隐藏目录过滤；不存在/不可读返回
|
||
空列表不报 500）。只暴露目录名，不返回文件内容。
|
||
- **创建任务时一次性定位（2026-09 起）**：`POST /api/batch/jobs {folder,
|
||
workflow_id, recursive}` 只扫描一次文件夹并把每个视频登记为 `batch_videos`
|
||
明细（PENDING/RUNNING/PAUSED/COMPLETED/FAILED/SKIPPED）。任务行先以
|
||
`CREATING` 入库、**明细全部登记完才置 QUEUED**：否则引擎会在明细写一半时拾起
|
||
任务、收尾把任务误标 COMPLETED（理由见
|
||
[decisions.md](./decisions.md#批量任务先写明细再排队creating-状态)）。**视频所在目录
|
||
（视频旁）若已存在文件名含视频名的字幕文件**（`.srt/.ass/.ssa/.vtt`，
|
||
`list_sidecar_subtitles` 判定，如 `movie.CN.srt`、`movie.CN_dual_eye.ass`），
|
||
说明该视频已有字幕，创建即记 **SKIPPED**——不为它触发任何流水线。运行时
|
||
`BatchWorker` **只消费这批已定位的明细，不再重新扫描文件夹**（运行期间新增/
|
||
删除的视频不会改变本次任务的范围）。校验失败（文件夹不存在/未发布工作流/
|
||
无版本/一个视频都没有）返回 422。
|
||
- **产物放在视频旁**：每个视频处理完成后，把工作流 `final_outputs` 对应的最终
|
||
产物文件（字幕流水线即中文 `.srt` 与双目 `.ass`）**复制一份到视频所在目录**，
|
||
与 .mp4 放在一起（`_place_products`）。文件名**对齐媒体库既有约定**：日语转写
|
||
存为 `<视频名>.JA.srt`、中文字幕存为 `<视频名>.CN.srt`、双目字幕存为 `<视频名>.CN_dual_eye.ass`（稳定无时间戳，
|
||
`_sidecar_product_name` 映射，其余扩展名产物保留原文件名；同名目标直接覆盖）。
|
||
文件名含视频主名，下次批量扫描会命中"已有字幕"规则直接跳过该视频。
|
||
- **成品放置校验（审查 R03）**：先预检全部 `final_outputs` 对应的记录与文件，
|
||
缺任一项即失败，不开始覆盖视频旁成品；全部齐备后逐文件原子替换。复制失败时
|
||
视频记 FAILED，保留 run、工作空间和已放置的完整成品，供修复后幂等重试。
|
||
原子替换保证单文件完整，不代表多个成品的跨文件事务或断电持久性。详见
|
||
[代码审查问题跟踪.md](./代码审查问题跟踪.md#r03-修复记录)。
|
||
- **过程文件清理（2026-09 起）**：视频收尾完成后删除该视频的整个工作空间与
|
||
run 记录（音频/分块/帧图/节点产物不留残），防止媒体库把切片数据当视频入库。
|
||
工作空间位于**应用私有目录** `data/storage/batch/<job_id>/<bv_id>/`
|
||
（不再放视频同名文件夹），与用户视频库天然隔离；暂停/失败的视频保留工作空间
|
||
以便断点续跑。per-video 的 `WorkflowScheduler` 实例以该目录为 storage——
|
||
完整复用 DAG 拓扑执行、产物表登记与**断点续跑**逻辑。
|
||
- **任务级工作空间清理**：任务全部完成且**无失败视频**时，连任务级目录
|
||
`storage/batch/<job_id>/` 一并删除（每个视频的工作空间已在收尾时各自删完，
|
||
任务级目录只剩空壳）；有失败视频时保留（它们的中间产物供断点重试）。
|
||
`paused.flag`/`keep_model.flag` 在每个阶段开始前清理，避免进程被强杀后的
|
||
残留影响后续阶段。
|
||
- **任务管理与批量页的分工**：批量 run（`source=batch`）**默认不出现在任务管理页**
|
||
（`GET /api/runs` 默认排除，排查时用 `?include_batch=1`）——一个批量任务会产生
|
||
N 条单视频 run，混进 20 条窗口会把用户自己提交的任务挤出去，且任务管理页的
|
||
暂停/继续/重试/删除对批量 run 语义不成立（暂停会被引擎下一次断点续跑静默复位，
|
||
删除被 422 拒绝）。作为补偿，批量页详情表补**阶段**列：`阶段 2/4 · 转写`，由该视频
|
||
run 的 `current_node_id` 在 DAG 拓扑序中的位置推导、节点类型映射中文标签。
|
||
粒度限制：`progress` 只有**节点边界**粒度，句级进度（转写分块、翻译批次、OCR 帧）
|
||
不落库、只在控制台日志里。
|
||
- **按资源调度的在途流水线（2026-09 起）**：批量引擎把待处理视频按
|
||
`WOV_BATCH_STAGE_GROUP_SIZE`（默认 8）分组，组内**每个视频独立推进自己的
|
||
阶段**，最多 `WOV_BATCH_PIPELINE_WORKERS`（默认 4）个阶段在途。判定只看资源：
|
||
阶段是否需要 GPU 由 `wov_app.resources.stage_gpu_need_mb` 给出（提音、**线上
|
||
端点**的翻译、ASS 都不需要），不需要 GPU 的阶段立刻派发，于是转写能与线上翻译
|
||
并行、提音能与转写并行（此前组内阶段是串行的，翻译时 GPU 全程空转）。需要 GPU
|
||
的阶段由进程内 `GpuGate` 串行准入并按"阶段索引最小者优先"派发，因此组内仍是
|
||
先跑完全部转写再进翻译——**本机 Ollama 模型每组只加载一次**，不需要按"是否
|
||
云端"写分支。每个视频的 run 在阶段边界保持 RUNNING（`execute_run(stop_after=节点)`），
|
||
下一阶段从产物表跳过已完成节点继续。LLM 阶段执行时引擎在 run 根目录写
|
||
`keep_model.flag`，节点据此不在每次调用后卸载模型（`nodes/llm.py`），组末由
|
||
引擎调 `release_local_model()` 统一释放显存，让下一组的 ASR 拿到 GPU（否则
|
||
本机模型常驻显存会让 whisper 直接 CUDA OOM）。显存探测不到（无 `nvidia-smi`）
|
||
时退化为"GPU 阶段互斥"，行为与串行一致。设为 1 即回到「每个视频
|
||
跑完整链路」的旧行为。
|
||
- **失败视频不跨阶段推进**：某阶段失败的视频只在**它失败节点的那个阶段**重试
|
||
（下一次引擎循环从断点续跑），不会在后续阶段里重跑前序节点——避免本地 LLM 已
|
||
常驻时重跑 ASR 抢显存；视频仍按既有语义记 FAILED，任务在没有其他待处理视频时
|
||
以 failed>0 收尾。
|
||
- **暂停/继续**：`POST /api/batch/jobs/{id}/pause` 把任务置 PAUSED 并暂停当前
|
||
run（写 `paused.flag`；whisper **分块间**检查、OCR 逐帧检查、llm-translate
|
||
**按批（20 行）**检查后中止，当前节点执行完才停）；`resume` 恢复 QUEUED，引擎
|
||
从断点继续——PAUSED 视频的 run 显式 resume 后从产物表续跑，未开始的视频接着
|
||
处理。重启进程后 RUNNING 残留 run 由 `recover_interrupted_runs` 恢复，暂停的
|
||
继续处理。
|
||
- **失败容错**：单个视频失败（节点失败/文件缺失）记为 FAILED，批量任务继续
|
||
处理后续视频，结束后统计 done/failed；DAG 解析/任务级异常把任务置 FAILED。
|
||
**重跑保留产物**（2026-08，修复 run_e2b74e89e232 实测）：FAILED 视频重新处理
|
||
时不再 reset_run 清空产物记录，而是保留已完成节点的 artifacts 恢复 QUEUED，
|
||
execute_run 从产物表跳过已完成节点、只重跑失败节点——extract/ocr 等长耗时
|
||
成果不浪费；配合 llm-filter/OCR 的节点级断点存档，失败节点自身也只重判未完成
|
||
条目。前端对"部分失败"（COMPLETED 且 failed>0）用红色徽章醒目标示。
|
||
- **完成任务判定**：`_run_job` 置 COMPLETED 前**校验全部非 SKIPPED 视频都已
|
||
结束**（无 PENDING/PAUSED 残留），否则**把任务置回 QUEUED** 交引擎下一轮续跑：
|
||
留 RUNNING 是错的——`next_queued_batch_job` 只拾取 QUEUED，任务会停在“运行中
|
||
但没人推进”。这条路径主要出现在**任务创建与明细写入的竞态**：任务行先于视频
|
||
明细写入（`create_job` 逐条插入），引擎可能在登记完成前就拾起任务，本轮只看到
|
||
已写入的那部分视频（实测 batch_959e510259f6：524 条明细中只看到最初 4 个非
|
||
SKIPPED 视频），剩下的留到下一轮；已登记明细全部尚未写入时（一条明细都没有）
|
||
同样保持 QUEUED，不能按空任务收尾。旧行为留下“N 个 PENDING 待处理却已完成”
|
||
的假完成（batch_969fabe74b83 等 3 个任务实测），或停在运行中无人推进。
|
||
**崩溃恢复**：重启时除 `recover_interrupted_runs` 外，
|
||
`recover_interrupted_batch_jobs` 把 RUNNING 的批量任务恢复为 QUEUED
|
||
（否则停在 RUNNING 的批量任务永远不会被 `next_queued_batch_job` 再次拾起，
|
||
未处理完的 PENDING 永久残留）；**同一恢复也会把被提前标记 COMPLETED 但仍有
|
||
未结束视频的僵尸任务置回 QUEUED**（完成标记先于视频收尾写出的旧数据，
|
||
batch_351833b7d446 实测：COMPLETED/done=0 却仍有 1 个 PENDING），
|
||
否则只靠 `fix_zombie_batch_jobs.py` 手动修数据，重启也不会自动诊好。
|
||
- **产物下载**：`GET /api/batch/jobs/{id}/videos/{vid}/download?alias=<文件名>`
|
||
解析并返回视频旁的字幕文件；旧版 `batch.done.json` 完成标记里的语义别名
|
||
（位于旧 work_dir）仍兼容可下载。详情/创建响应里每个视频的 `finals` 合并上述
|
||
两处来源。
|
||
- **详情明细展示**：任务列表的“详情”只列出本批实际处理过的视频行，SKIPPED
|
||
（视频旁已有字幕、创建时即被跳过）不出现在明细表里；整批都已被跳过时提示
|
||
“无待处理视频”。
|
||
- **孤儿清理保护**：`source=batch` 的运行**跳过**自动清理——其 run 位于私有
|
||
`storage/batch/...` 下，普通孤儿逻辑会误判删除，且 `_remove_run` 还会删除
|
||
`input_uri` 的父目录（用户的整个视频文件夹）。详见
|
||
[代码审查问题跟踪.md](./代码审查问题跟踪.md#r01-修复记录)。
|
||
- **删除任务**：`DELETE /api/batch/jobs/{id}` 清理数据库记录（含关联 run）与
|
||
应用私有工作空间残留；视频旁已放置的产物属于用户数据，保留不删。
|
||
- **环境变量**：`WOV_BATCH_ENABLED`（默认 1）、`WOV_BATCH_INTERVAL_SECONDS`
|
||
（默认 1.0），完整列表见 [configuration.md](./configuration.md)。
|
||
|
||
## 媒体库历史字幕重建（统计 → 备份 → 批量重跑）
|
||
|
||
模型或管线切换后，媒体库里由旧管线生成的字幕需要整批重跑。批量引擎按
|
||
“视频旁已有字幕即 SKIPPED”判定，所以重跑前必须先统计范围、再把旧字幕改名
|
||
备份，否则建出来的任务会把所有视频全部跳过。工具是 `scripts/plan_regenerate_subtitles.py`
|
||
（**不依赖仓库**，可拷到媒体库主机直接跑：CIFS 挂载下逐文件 ffprobe 与
|
||
目录扫描都慢得多，在 NAS 本地跑 524 个视频只要几秒）。
|
||
|
||
生成时间的判定口径：只看本流水线产出的 CN 产物（`<视频名>.CN.srt`、
|
||
`<视频名>.CN_dual_eye.ass`），取它们**最早**的 mtime——双目 `.ass` 可能被样式
|
||
统一脚本原地改写而“变新”，中文字幕的 mtime 才是真实生成时间。
|
||
|
||
```bash
|
||
# 1) 统计：数量 / 时长 / 体积 / 按月分布，并写出逐条明细 JSON
|
||
python3 scripts/plan_regenerate_subtitles.py /vol1/1000/123 \
|
||
--before 2026-09-01 --out data/experiments/regen_plan/plan_2026-09-01.json
|
||
|
||
# 2) 备份旧字幕（默认预览，--apply 才落盘）：改名 <原名>.old-<当天日期>
|
||
python3 scripts/plan_regenerate_subtitles.py /vol1/1000/123 --backup-old
|
||
python3 scripts/plan_regenerate_subtitles.py /vol1/1000/123 --backup-old --apply \
|
||
--select sample10.txt # 只处理清单里的视频，支持 # 注释
|
||
|
||
# 3) 建批量任务（批量页或 POST /api/batch/jobs）
|
||
```
|
||
|
||
- 备份文件名带 `.old-<日期>` 后缀，扩展名不再是字幕后缀，批量引擎不会再把它当
|
||
旁挂字幕；确认新字幕无误后删除备份，需要回退则去掉后缀改回原名。
|
||
- 未备份的视频仍有旁挂字幕 → 创建任务时记 SKIPPED，因此“整库建一个任务”即可，
|
||
实际只会处理被备份的那批；已重跑的视频产出新 CN 字幕（mtime 变新），全量重建
|
||
时自动归入“已是最新”，不会重复处理。
|
||
- 实测数据（380 个待重生成 / 207.88 小时；10 个样本 6.54 小时素材跑 77.7 分钟、
|
||
GPU 平均 289.6 W、约 0.375 kWh，全量推算约 41 小时 / 整机 15 kWh）见
|
||
`data/experiments/regen_plan/REPORT.md`。
|
||
|
||
## 相关文档
|
||
|
||
- 环境变量全表：[configuration.md](./configuration.md)
|
||
- 产物命名与 finalization 规则：[workflows.md](./workflows.md#最终产物命名)
|
||
- 历史缺陷与修复记录：[代码审查问题跟踪.md](./代码审查问题跟踪.md)
|