在Ruffus流水线中运行函数前需要制作一组文件

Question

我正在使用ruffus编写一个管道。我有一个函数，它被并行调用了很多次，它创建了几个文件。我想创建一个函数"combineFiles()“，在创建完所有这些文件之后调用它。因为它们是在集群上并行运行的，所以它们不会全部一起完成。我写了一个函数'getFilenames()‘来返回需要创建的一组文件名，但是如何让combineFiles()等待它们出现呢？

我尝试了以下几种方法：

@pipelineFunction
@files(getFilenames)
def combineFiles(filenames):
  # I should only be called if every file in the list 'filenames' exists

我也尝试过这个装饰器：

@merge(getFilenames)

但这也不起作用。在生成getFilenames提供的文件之前，仍然会错误地调用combineFiles。如何才能使combineFiles以这些文件存在为条件？

谢谢。

Answer 1

我是Ruffus的开发者。我不确定我是否完全理解你想要做什么，但下面是：

为了运行流水线的下一阶段，等待需要不同时间的作业才能完成，这正是Ruffus所做的，所以希望这是直截了当的。

第一个问题是，您是否知道正在预先创建哪些文件，即在管道运行之前？让我们先假设你这样做了。

from ruffus import *
filenames = ["one.file", "two.file", "three.file"]

让我们编写一个伪函数，它在每次调用时创建一个文件。在Ruffus中，任何输入和输出文件名都分别包含在前两个参数中。我们没有输入文件名，所以我们的函数调用应该如下所示：

create_file(None, "one.file")
create_file(None, "two.file")
create_file(None, "three.file")

create_file的定义如下所示：

@files([(None, fn) for fn in filenames])
def create_file(no_input_file_name, output_file_name):
    open(output_file_name, "w").write("dummy file")

这些文件中的每一个都将在3个单独的create_file调用中创建。如果你愿意的话，这些都可以并行运行。

pipeline_run([create_file], multiprocess = 5)

现在来组合这些文件。"@Merge“装饰器确实是为此而设置的。我们只需要将它链接到前一个函数：

@merge(create_file, "merge.file")
def merge_file(input_file_names, output_file_name):
    output_file = open(output_file_name, "w")
    for i in input_file_names:
        output_file.write(open(i).read())

这将仅当三次调用create_file()中的所有文件都准备就绪时才调用merge_file。

整个代码如下：

from ruffus import *
filenames = ["one.file", "two.file", "three.file"]

from random import randint
from time import sleep

@files([(None, fn) for fn in filenames])
def create_file(no_input_file_name, output_file_name):
    # simulate create file process of indeterminate complexity
    sleep(randint(1,5))
    open(output_file_name, "w").write("dummy file")

@merge(create_file, "merge.file")
def merge_file(input_file_names, output_file_name):
    output_file = open(output_file_name, "w")
    for i in input_file_names:
        output_file.write(open(i).read())


pipeline_run([merge_file], multiprocess = 5)

这就是结果：

>>> pipeline_run([merge_file], multiprocess = 5)

    Job = [None -> two.file] completed
    Job = [None -> three.file] completed
    Job = [None -> one.file] completed
Completed Task = create_file
    Job = [[one.file, three.file, two.file] -> merge.file] completed
Completed Task = merge_file