- 其他教程
- 运行后台任务
运行后台任务
简介%20Copyright%202022%20Fonticons,%20Inc.%20--%3e%3cpath%20d='M172.5%20131.1C228.1%2075.51%20320.5%2075.51%20376.1%20131.1C426.1%20181.1%20433.5%20260.8%20392.4%20318.3L391.3%20319.9C381%20334.2%20361%20337.6%20346.7%20327.3C332.3%20317%20328.9%20297%20339.2%20282.7L340.3%20281.1C363.2%20249%20359.6%20205.1%20331.7%20177.2C300.3%20145.8%20249.2%20145.8%20217.7%20177.2L105.5%20289.5C73.99%20320.1%2073.99%20372%20105.5%20403.5C133.3%20431.4%20177.3%20435%20209.3%20412.1L210.9%20410.1C225.3%20400.7%20245.3%20404%20255.5%20418.4C265.8%20432.8%20262.5%20452.8%20248.1%20463.1L246.5%20464.2C188.1%20505.3%20110.2%20498.7%2060.21%20448.8C3.741%20392.3%203.741%20300.7%2060.21%20244.3L172.5%20131.1zM467.5%20380C411%20436.5%20319.5%20436.5%20263%20380C213%20330%20206.5%20251.2%20247.6%20193.7L248.7%20192.1C258.1%20177.8%20278.1%20174.4%20293.3%20184.7C307.7%20194.1%20311.1%20214.1%20300.8%20229.3L299.7%20230.9C276.8%20262.1%20280.4%20306.9%20308.3%20334.8C339.7%20366.2%20390.8%20366.2%20422.3%20334.8L534.5%20222.5C566%20191%20566%20139.1%20534.5%20108.5C506.7%2080.63%20462.7%2076.99%20430.7%2099.9L429.1%20101C414.7%20111.3%20394.7%20107.1%20384.5%2093.58C374.2%2079.2%20377.5%2059.21%20391.9%2048.94L393.5%2047.82C451%206.731%20529.8%2013.25%20579.8%2063.24C636.3%20119.7%20636.3%20211.3%20579.8%20267.7L467.5%20380z'/%3e%3c/svg%3e)
本指南解释了如何在您的gradio应用中运行后台任务。后台任务是在应用请求-响应生命周期之外执行的操作，可以是一次性执行，也可以是按计划定期执行。后台任务的例子包括定期将数据同步到外部数据库，或通过电子邮件发送模型预测报告。
概述
我们将创建一个简单的“谷歌表单式”应用，用于收集gradio库用户的反馈。我们将使用本地sqlite数据库存储数据，但会定期将数据库状态与HuggingFace数据集同步，以便我们的用户评论始终得到备份。同步操作将在每60秒运行一次的后台任务中进行。
演示结束时，您将拥有一个像下面这样的完整运行应用
第1步 - 编写数据库逻辑 💾
我们的应用将存储评论者的姓名、他们对gradio的1到5评分，以及他们对该库的任何评论。让我们编写一些代码来创建一个数据库表来存储这些数据。我们还将编写一些函数来向该表中插入评论并获取最新的10条评论。
我们将使用 sqlite3 库连接到sqlite数据库，但gradio适用于任何库。
代码如下所示
DB_FILE = "./reviews.db"
db = sqlite3.connect(DB_FILE)
# Create table if it doesn't already exist
try:
db.execute("SELECT * FROM reviews").fetchall()
db.close()
except sqlite3.OperationalError:
db.execute(
'''
CREATE TABLE reviews (id INTEGER PRIMARY KEY AUTOINCREMENT NOT NULL,
created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP NOT NULL,
name TEXT, review INTEGER, comments TEXT)
''')
db.commit()
db.close()
def get_latest_reviews(db: sqlite3.Connection):
reviews = db.execute("SELECT * FROM reviews ORDER BY id DESC limit 10").fetchall()
total_reviews = db.execute("Select COUNT(id) from reviews").fetchone()[0]
reviews = pd.DataFrame(reviews, columns=["id", "date_created", "name", "review", "comments"])
return reviews, total_reviews
def add_review(name: str, review: int, comments: str):
db = sqlite3.connect(DB_FILE)
cursor = db.cursor()
cursor.execute("INSERT INTO reviews(name, review, comments) VALUES(?,?,?)", [name, review, comments])
db.commit()
reviews, total_reviews = get_latest_reviews(db)
db.close()
return reviews, total_reviews我们还将编写一个函数，在gradio应用加载时加载最新的评论
def load_data():
db = sqlite3.connect(DB_FILE)
reviews, total_reviews = get_latest_reviews(db)
db.close()
return reviews, total_reviews第2步 - 创建gradio应用 ⚡
现在我们已经定义了数据库逻辑，我们可以使用gradio创建一个动态网页来征求用户的反馈！
with gr.Blocks() as demo:
with gr.Row():
with gr.Column():
name = gr.Textbox(label="Name", placeholder="What is your name?")
review = gr.Radio(label="How satisfied are you with using gradio?", choices=[1, 2, 3, 4, 5])
comments = gr.Textbox(label="Comments", lines=10, placeholder="Do you have any feedback on gradio?")
submit = gr.Button(value="Submit Feedback")
with gr.Column():
data = gr.Dataframe(label="Most recently created 10 rows")
count = gr.Number(label="Total number of reviews")
submit.click(add_review, [name, review, comments], [data, count])
demo.load(load_data, None, [data, count])第3步 - 与HuggingFace数据集同步 🤗
在第2步之后调用 demo.launch()，我们的应用就能完全运行了。但是，我们的数据将存储在本地机器上。如果sqlite文件意外删除，我们将丢失所有评论！让我们将数据备份到HuggingFace Hub上的数据集。
在继续之前，请在此处创建一个数据集。
现在在我们的脚本顶部，我们将使用huggingface hub客户端库连接到我们的数据集并拉取最新的备份。
TOKEN = os.environ.get('HUB_TOKEN')
repo = huggingface_hub.Repository(
local_dir="data",
repo_type="dataset",
clone_from="<name-of-your-dataset>",
use_auth_token=TOKEN
)
repo.git_pull()
shutil.copyfile("./data/reviews.db", DB_FILE)请注意，您需要从HuggingFace的“设置”选项卡获取访问令牌，上述代码才能工作。在脚本中，令牌通过环境变量安全访问。
现在我们将创建一个后台任务，每60秒将本地数据库同步到数据集中心。我们将使用AdvancedPythonScheduler来处理调度。当然，这不是唯一可用的任务调度库。您可以随意使用任何您习惯的库。
备份数据的函数如下所示
from apscheduler.schedulers.background import BackgroundScheduler
def backup_db():
shutil.copyfile(DB_FILE, "./data/reviews.db")
db = sqlite3.connect(DB_FILE)
reviews = db.execute("SELECT * FROM reviews").fetchall()
pd.DataFrame(reviews).to_csv("./data/reviews.csv", index=False)
print("updating db")
repo.push_to_hub(blocking=False, commit_message=f"Updating data at {datetime.datetime.now()}")
scheduler = BackgroundScheduler()
scheduler.add_job(func=backup_db, trigger="interval", seconds=60)
scheduler.start()第4步（额外） - 部署到HuggingFace Spaces
您可以使用HuggingFace Spaces 平台免费部署此应用 ✨
如果您以前没有使用过Spaces，请参阅此处的指南。您需要使用 HUB_TOKEN 环境变量作为 Guides 中的密钥。
结论
恭喜！您已经学会了如何按计划在gradio应用中运行后台任务 ⏲️。
在此处查看在Spaces上运行的应用：https://hugging-face.cn/spaces/freddyaboulton/gradio-google-forms。完整代码位于此处。