前文说到使用 opencpu 来搭建 http 服务，opencpu 可以很快速的通过构建 R 包的方式来搭建 http 服务， 很快捷，而且支持各种响应机制。但我们在搭建线上服务时，经常有需求将请求响应的时间控制在100ms以内，opencpu的框架就存在问题了。 这里再介绍R的另外一个包：fiery，部署更加方便且响应优势更加明显（一般30ms以内）。
首先假设我们面对的场景是垃圾邮件预测，已经根据离线数据构建了预测模型：
library(xgboost)
library(ElemStatLearn)
x <- as.matrix(spam[, -ncol(spam)])
y <- as.numeric(spam$spam) - 1
m <- xgboost(data = x, label = y, nrounds = 5, objective = 'binary:logistic')
saveRDS(m, file = "model.rds")
假定我们线上预测流程是这样：
- 通过传递邮件id号获取该邮件的特征
- 用xgboost模型来预测spam的概率
- json返回预测结果以及埋点结果
R中的服务代码见下：
## 加载需要的扩展包，静默加载
suppressPackageStartupMessages(library(fiery))
suppressPackageStartupMessages(library(utils))
suppressPackageStartupMessages(library(jsonlite))
suppressPackageStartupMessages(library(shiny))
suppressPackageStartupMessages(library(xgboost))
suppressPackageStartupMessages(library(rredis))
app <- Fire$new() # 开启一个fiery实例
app$host <- "127.0.0.1"
app$port <- 9123 # 设置服务 ip 地址和端口号
model <- NULL
## 将预先训练好的模型加载到全局变量中
## 预训练模型通过 saveRDS 函数保存，此处略过
app$on("start", function(server, ...) {
message(sprintf("Running on %s:%s", app$host, app$port))
model <<- readRDS("model.rds")
message("Model loaded")
})
## 开启 request的监听
## 初始化定义 response 的 headers 和 body
app$on('request', function(server, id, request, ...) {
response <- list(
status = 200L,
headers = list('Content-Type'='text/html'),
body = ""
)
## 获取请求的 path，一旦判断为 /predict 则进行预测
path <- get("PATH_INFO", envir = request)
if (grepl("^/predict", path)) {
## 获取 query string，我们期待的结果是 val=##
query <- get("QUERY_STRING", envir = request)
## 解析query, 大概传递的是类似这个：parseQueryString("?foo=1&bar=b%20a%20r")
## 一般在前端需要 encoding，input 解析出来是 list 对象
input <- shiny::parseQueryString(query)
message(sprintf("Input: %s", input$val))
## 声明获取数据的函数
## 这里依旧模拟了从redis缓存取数的逻辑，但并未判断异常情况
## 读者可以在此做未获得数据的异常判断
getdata <- function(id = '1'){
id <- as.character(id)
rredis::redisConnect(host = "10.0.2.70", port = 9736, password = '')
z <- numeric(57)
d <- as.numeric(unlist(rredis::redisHKeys(id)))
z[d] <- t(as.numeric(rredis::redisHVals(id)))
rredis::redisClose()
return(as.matrix(t(z)))
}
## 进入模型预测环节
## 声明返回 res 是一个 list，传递参数为 input$val
res <- list()
res$v <- xgboost:::predict.xgb.Booster(object = model, newdata = getdata(input$val))
## 增加埋点信息
res$url <- paste("http://cc.bjt.name/data?v=", round(res$v, 5), "&id=", input$val, sep = '')
# 返回JSON
response$headers <- list("Content-Type"="application/json")
response$body <- jsonlite::toJSON(res, auto_unbox = TRUE, pretty = TRUE)
}
response
})
app$ignite(showcase=FALSE) # 启动服务
我们需要将该模型部署在线上。将以上代码命名为 fire.r，直接运行
Rscript fire.r
预测服务即为就绪状态。通过 curl 请求调用服务（并测试时间）：
time curl http://127.0.0.1:9123/predict?val=235
{
"v": 0.8843,
"url": "http://cc.bjt.name/data?v=0.884290516376495&id=25"
}
real 0m0.020s
user 0m0.000s
sys 0m0.005s
或者使用 microbenchmark:::microbenchmark(system('curl http://127.0.0.1:9123/predict?val=95'))
expr min lq mean
system("curl http://127.0.0.1:9123/predict?val=95") 23.32366 25.57629 27.30786
median uq max neval
26.69601 28.37809 40.50802 100
