Sto continuando questa conversazione da ‘Rebuild HTML for entire topic’, poiché i miei esperimenti stanno prendendo una direzione piuttosto diversa e ho pensato che potesse essere utile condividere i miei pensieri e i risultati man mano che procedo.
La mia situazione è la seguente: stiamo per lanciare un nuovo forum migrato con oltre 4 milioni di post. Questi richiederanno un rebake quando passeremo al dominio finale, e i post dovranno essere elaborati per garantire che le immagini siano incorporate correttamente, ecc.
Le mie preoccupazioni sono:
Il rebake non è un processo veloce. Ho ottimizzato il nostro server da 16 GB/6 core, ma non riesco a ottenere una velocità superiore a 2-3 post al secondo, il che significa che l’intero rebake richiederà ben oltre 20 giorni.
Il rebake inizia dai post più vecchi; preferirei iniziare dai più recenti per offrire alla nostra comunità la migliore esperienza possibile (assumendo che i post più nuovi riceveranno più traffico).
Non esiste un modo per ‘riprendere’ il processo da dove si era interrotto, e ho motivi per sospettare che dovrò ricostruire almeno una volta nei prossimi 20 giorni.
I lavori di rebake vanno nella coda sidekiq predefinita e temo che questo creerà enormi ritardi per i lavori di elaborazione regolari.
Finora, ho fatto quanto segue: dopo aver scavato nel codice e ricevuto assistenza dal personale qui, ho modificato lib/tasks/posts.rake per:
Lavorare in ordine cronologico inverso, iniziando dai post più recenti.
Ignorare i messaggi privati: voglio dare priorità ai topic pubblici.
Visualizzare l’ID del post/topic corrente in modo da poter aggiungere facilmente la clausola where alla mia query per riprendere l’elaborazione da un altro numero di post.
Ecco il mio codice:
def rebake_posts(opts = {})
puts "NEW Rebaking post markdown for '#{RailsMultisite::ConnectionManagement.current_db}'"
disable_edit_notifications = SiteSetting.disable_edit_notifications
SiteSetting.disable_edit_notifications = true
total = Post.count
rebaked = 0
ordered_post_ids = Post.joins(:topic)
.select('posts.id')
.where('topics.archetype' => Archetype.default)
.order("posts.id DESC")
.pluck(:id)
ordered_post_ids.in_groups_of(1000).each do |post_ids|
posts = Post.order(created_at: :desc).where(id:post_ids)
posts.each do |post|
rebake_post(post, opts)
print_status(rebaked += 1, total)
puts " > rebaking post id #{post.id} for topic id #{post.topic_id}"
end
end
SiteSetting.disable_edit_notifications = disable_edit_notifications
puts "", "#{rebaked} posts done!", "-" * 50
end
Prossimo passo: sto cercando di capire come creare questi lavori nella coda a priorità bassa. Qualsiasi suggerimento sarebbe molto apprezzato
Now I’ve started my first large test, I noticed that the jobs processing has made several huge ‘steps’ in speed. I suspect this may have to do with a large number of my attached images having been moved to the tombstone - this is another ongoing project.
Yes I learned that too With the help of your team I figured out how to work around it though. I’m not sure this is a smart or even fast way of doing it, but it works for me.
Next issue: our new site will already go live while the posts:rebake job is running. Will having a large number of jobs in the default queue slow down regular site processes, and should I try to have posts:rebake start its jobs in the low priority queue instead? Or is this automatically handled?
So far, it seems that the queue that a job will be created in is a property of the job’s class, I’m not sure I could influence this in some way from within the posts.rake script?
If not, I’ll throttle the creation of new jobs to make sure the queue isn’t filling up.
I think there’s also a ‘version’ column on the posts table that you can null out to cause gradual rebaking, too. I think it does 100 posts every time the job triggers.
So rather than running rake posts:rebake, one should instead do Posts.all.update_all('baked_version: null') and all posts will be rebaked in batches according to rebake_old_posts_count?
Agree, but it is a bit tricky cause we would need to carry a big list of ids in memory. I wonder if we should amend it so the rake task is resumable?
Have rake posts:rebake reset version and just work through old posts using calls to rebake_old
And add rake posts:rebake:resume that simply resumes an interrupted rebake.
Downside here is that posts:rebake would unconditionally cause posts to rebake at some point in time even if the task is interrupted, but this may not matter.
we can probably live with it to be honest … that retains the tasks working exactly as they do today (in reverse order). Though something in me wants these tasks to be resumable cause if you are working through 20 million posts this can take many hours and if it breaks half way through it can be very frustrating to start from scratch.
I’ve used a script that was resumable at the topic level by using the custom fields. Here’s one that skips private messages (since my import had a LOT of them and they weren’t a priority):
Topic.includes(:_custom_fields).where(archetype: Archetype.default).find_each do |t|
unless t.custom_fields["import_rebake"].present?
t.posts.select(:id).find_each do |post|
Jobs.enqueue(:process_post, {post_id: post.id, bypass_bump: true, cook: true})
end
t.custom_fields["import_rebake"] = Time.zone.now
t.save
end
end
(This filled up Sidekiq’s default queue, so it’s not useful if you want to launch your site before the rebakes are completed.)
After they’re all done, all the TopicCustomField records with name “import_rebake” can be deleted.
With the help of your team I figured out how to work around it though. I’m not sure this is a smart or even fast way of doing it, but it works for me.