Ragflow 源码：task_executor.py

介绍

task_executor.py 是RAGFlow系统中的任务执行器(Task Executor)核心部分，主要负责文档的解析、分块(chunking)、向量化(embedding)和索引(indexing)处理流程。

主要功能

1. 文档处理流水线：

   • 从存储系统(如MinIO)获取文档
   • 根据文档类型选择相应的解析器(parser)
   • 将文档分块处理
   • 生成向量表示(embeddings)
   • 存储到向量数据库中

2. 高级处理能力：

   • 支持RAPTOR(递归抽象处理)算法
   • 支持知识图谱(GraphRAG)构建
   • 自动关键词提取和问题生成
   • 内容标签自动标注

3. 任务管理：

   • 从Redis队列获取任务
   • 任务状态跟踪和报告
   • 任务取消处理
   • 失败任务恢复

核心组件

1. 文档解析器工厂(FACTORY)：

   • 针对不同类型的文档(论文、书籍、演示文稿、法律文件等)有不同的解析器
   • 使用注册模式动态选择解析器

2. 并发控制：

   • 使用Trio库实现异步并发
   • 通过CapacityLimiter控制并发任务数
   • 分块构建、MinIO操作等都有独立的并发限制

3. 错误处理和监控：

   • 详细的任务状态跟踪
   • 心跳报告机制
   • 内存监控和快照功能
   • 任务取消和超时处理

流程图

核心代码解释

1. 系统架构与核心组件

• 并发控制体系：

  • 使用trio异步框架实现高效I/O操作
  • 四级并发限制器：

    task_limiter = trio.CapacityLimiter(MAX_CONCURRENT_TASKS)  # 任务级并发(默认5)
    chunk_limiter = trio.CapacityLimiter(MAX_CONCURRENT_CHUNK_BUILDERS)  # 分块处理并发(默认1)
    minio_limiter = trio.CapacityLimiter(MAX_CONCURRENT_MINIO)  # 存储操作并发(默认10)
    kg_limiter = trio.CapacityLimiter(2)  # 知识图谱处理并发
    

• 文档处理工厂模式：

  FACTORY = {
      "general": naive,
      ParserType.PAPER.value: paper,  # 学术论文处理器
      ParserType.BOOK.value: book,    # 书籍处理器
      ParserType.TABLE.value: table,  # 表格处理器
      # ...其他15+种文档类型处理器
  }
  

2. 核心处理流程

• 任务处理主循环 (handle_task函数)：

  async def handle_task():
      redis_msg, task = await collect()  # 从Redis获取任务
      CURRENT_TASKS[task["id"]] = task  # 登记当前任务
      try:
          await do_handle_task(task)    # 执行实际处理
          redis_msg.ack()              # 确认任务完成
      except Exception as e:
          FAILED_TASKS += 1
          set_progress(task["id"], prog=-1, msg=f"[Exception]: {str(e)}")
  

• 文档处理三阶段 (do_handle_task函数)：

  # 阶段1：文档解析与分块
  chunks = await build_chunks(task, progress_callback)
  
  # 阶段2：向量化处理
  token_count, vector_size = await embedding(chunks, embedding_model)
  
  # 阶段3：存储索引
  await settings.docStoreConn.insert(chunks, index_name, kb_id)
  

3. 高级处理能力

• RAPTOR算法实现：

  raptor = Raptor(
      max_cluster=64,                 # 最大聚类数
      chat_model=chat_mdl,            # LLM模型
      embd_model=embd_mdl,            # 嵌入模型
      prompt=config["prompt"],        # 聚类提示词
      max_token=config["max_token"],  # 最大token数
      threshold=config["threshold"]   # 相似度阈值
  )
  chunks = await raptor.process(original_chunks)
  

• 知识图谱构建：

  await run_graphrag(
      task, 
      language=task_language,
      with_resolution=True,      # 是否解析关系
      with_community=True,       # 是否构建社区
      chat_model=chat_mdl,
      embd_model=embd_mdl
  )
  

4. 关键创新点

• 智能分块增强：

  # 自动关键词提取
  d["important_kwd"] = keyword_extraction(chat_mdl, content)
  
  # 自动问题生成
  d["question_kwd"] = question_proposal(chat_mdl, content)
  
  # 智能标签系统
  d[TAG_FLD] = content_tagging(chat_mdl, content, all_tags)
  

• 混合向量生成：

  # 标题向量权重调整
  title_w = parser_config.get("filename_embd_weight", 0.1)
  vects = (title_w * title_vectors + (1-title_w) * content_vectors)
  

5. 容错与监控机制

• 分布式锁管理：

  with RedisDistributedLock("clean_task_executor"):
      # 清理超时worker
      REDIS_CONN.srem("TASKEXE", expired_workers)
  

• 内存监控系统：

  def start_tracemalloc_and_snapshot():
      tracemalloc.start()
      snapshot = tracemalloc.take_snapshot()
      snapshot.dump(f"snapshot_{timestamp}.trace")
      logging.info(f"Peak memory: {peak / 10**6:.2f} MB")
  

• 心跳监测系统：

  REDIS_CONN.zadd(CONSUMER_NAME, 
      json.dumps({
          "pending": PENDING_TASKS,
          "current": CURRENT_TASKS,
          # ...其他状态指标
      }), 
      timestamp
  )
  

6. 性能优化技巧

• 批量处理策略：

  # 向量化批量处理
  for i in range(0, len(texts), batch_size=16):
      vectors = await mdl.encode(texts[i:i+16])
  

• 缓存机制：

  # LLM结果缓存
  cached = get_llm_cache(llm_name, text, "keywords")
  if not cached:
      cached = await keyword_extraction(llm, text)
      set_llm_cache(llm_name, text, cached)