嵌套文档拓扑 Benchmark

484 字约 2 分钟

DocumentTopologyBench 是无模型、无数据集依赖的嵌套 1 → M → 1 参考负载。一个文档展开为页面，每个页面又展开为数量可变的 TableJob，表格先归并回页面，页面再归并回文档；生成数据还刻意包含零表格页面，用于验证空分组也能正确完成。

拓扑

运行

from rayorch.benchmark import DocumentTopologyBench

report = DocumentTopologyBench(
    output_dir="./results",
    document_count=8,
    pages_per_document=6,
    tables_per_page=2,
    workers=4,
    batch_size=8,
    input_batch_size=1,
    max_active_input_batches=4,
).run(profile=False)

输入和输出完全确定，不需要外部文件、模型或 GPU，因此它是验证安装、Ray 集群连通性和调度回归的首选案例。

输出与指标

每个输出包含文档名、有序页面 ID，以及每页的有序表格 ID；报告额外提供总 pages 和 tables。

体现什么性能

观察项	实验方式	能回答的问题
框架与调度开销	固定总 Grain 数，测 `measured_wall_s` 与 RPC 数	在 UDF 几乎不耗时时，运行时本身的成本是多少
嵌套展开规模	增大 pages 和 tables	两层动态 Domain 的调度成本如何增长
空分组路径	保留生成器中的零表格页面	空成员集合能否无死锁地立即归并
输入窗口	扫描 `max_active_input_batches`	更多文档并发是否提升组批和流水线重叠
Worker 扩展	扫描 `workers` 和 `batch_size`	轻量任务何时被 Actor/RPC 开销主导

这个案例测的是正确性和控制面开销，不应当被描述为生产文档解析吞吐。由于 UDF 很轻，增加 Worker 可能反而变慢，这恰好可以显示任务粒度过细时的调度成本。