[Bug]: formatter 调用 datasets.load_dataset 时缓存位置问题

[modelscope]

[Bug]: formatter 调用 datasets.load_dataset 时缓存位置问题

[HYLcool]

您好，感谢您使用Data-Juicer！

我刚才在本地尝试了一下是能够work的。您可以直接通过在配置文件里指定ds_cache_dir参数来显示修改cache存放路径（完整的参数信息可参考config_all.yaml），而不需要通过环境变量的形式来修改。

由于Data-Juicer在处理过程中，ds_cache_dir的优先级会高于环境变量，所以环境变量的修改就没用了。内置参数的方式一方面可以更好管理各种参数，另一方面对用户更友好（一些用户可能并不太熟悉环境变量这一套东西）。

以上供您参考~如还有其它问题，可随时联系😄

[adrianJW421]

我也踩过这个坑，可能因为正好是属于熟悉环境变量那一套配置操作的用户，折腾好久才发现原来config里显式指定cache路径优先级最高 XD, 其实我觉得这个项目初始化的时候很容易占满cache目录，可能在readme提示一下cache路径设置的注意事项会好一点

[HYLcool]

我也踩过这个坑，可能因为正好是属于熟悉环境变量那一套配置操作的用户，折腾好久才发现原来config里显式指定cache路径优先级最高 XD, 其实我觉得这个项目初始化的时候很容易占满cache目录，可能在readme提示一下cache路径设置的注意事项会好一点

好的，感谢您的意见~我们会在之后在文档中合适的位置特别说明下这个情况👌🏻

[PommesPeter]

您好，感谢您使用Data-Juicer！

我刚才在本地尝试了一下是能够work的。您可以直接通过在配置文件里指定ds_cache_dir参数来显示修改cache存放路径（完整的参数信息可参考config_all.yaml），而不需要通过环境变量的形式来修改。

由于Data-Juicer在处理过程中，ds_cache_dir的优先级会高于环境变量，所以环境变量的修改就没用了。内置参数的方式一方面可以更好管理各种参数，另一方面对用户更友好（一些用户可能并不太熟悉环境变量这一套东西）。

以上供您参考~如还有其它问题，可随时联系😄

感谢您的回复，了解开发者的用意了。那希望可以在文档处补充一下相关注意事项，目前使用来看确实很容易占满 .cache 目录，特别是 / 比较小的时候。个人觉得除了文档处添加之外，可以在每一个 yaml 下单独新增一个注释来说明，这样让用户更加清晰看到，这个应该是大部分用户都会需要调整的 config。

[PommesPeter]

我也踩过这个坑，可能因为正好是属于熟悉环境变量那一套配置操作的用户，折腾好久才发现原来config里显式指定cache路径优先级最高 XD, 其实我觉得这个项目初始化的时候很容易占满cache目录，可能在readme提示一下cache路径设置的注意事项会好一点

感谢您的回复，我是看直接调用的 datasets 库就往环境变量那里调了，原来 data-juicer 有对这方面做设计，不过也确实方便用户，如果文档处添加说明就更好了

[PommesPeter]

哦对了，还想反馈一个问题，在第一次配好环境之后会遇到这个报错

NotImplementedError: Loading a streaming dataset cached in a LocalFileSystem is not supported yet.

网上查了一下好像说是和 fsspec 这个版本有关系。

huggingface/datasets#6330 (comment)

降级之后可以用了

[HYLcool]

嗯是的，这个是datasets那边的问题，datasets正在修复，目前他们建议先降低fsspec的版本，我们也会在最近的PR里暂时先显式地加上这个版本限制

[PommesPeter]

嗯是的，这个是datasets那边的问题，datasets正在修复，目前他们建议先降低fsspec的版本，我们也会在最近的PR里暂时先显式地加上这个版本限制

好的，我没有其他问题了，感谢您的回答！

[HYLcool]

嗨，两位 @PommesPeter @adrianJW421

我们结合你们的意见修改了下ds_cache_dir这个参数的处理逻辑，用户显式指定这个参数时才会让其优先级高于环境变量，否则沿用环境变量的路径，这样相对更合理一些，参考PR #43

欢迎提出更多宝贵的建议~

[PommesPeter]

LGTM

…

From: "Yilun ***@***.***> Date: Wed, Oct 25, 2023, 14:02 Subject: Re: [alibaba/data-juicer] [Bug]: formatter 调用 datasets.load_dataset 时缓存位置问题 (Issue #41) To: ***@***.***> Cc: ***@***.***>, ***@***.***> 嗨，两位 @***@***.***<https://github.com/adrianJW421> 我们结合你们的意见修改了下ds_cache_dir这个参数的处理逻辑，用户显式指定这个参数时才会让其优先级高于环境变量，否则沿用环境变量的路径，这样相对更合理一些，参考PR #43<#43> 欢迎提出更多宝贵的建议~ — Reply to this email directly, view it on GitHub<#41 (comment)>, or unsubscribe<https://github.com/notifications/unsubscribe-auth/ANCWKGHN25Q7MH2L3ZN77O3YBCTQPAVCNFSM6AAAAAA6NBDFMGVHI2DSMVQWIX3LMV43OSLTON2WKQ3PNVWWK3TUHMYTONZYGU3TAMBYGY>. You are receiving this because you were mentioned.[image: https://github.com/notifications/beacon/ANCWKGFROLZBLCKG2FERDJDYBCTQPA5CNFSM6AAAAAA6NBDFMGWGG33NNVSW45C7OR4XAZNMJFZXG5LFINXW23LFNZ2KUY3PNVWWK3TUL5UWJTTKALJWM.gif]Message ID: ***@***.***>