tiktoken使用问题——ValueError: too many values to unpack (expected 2)_tiktoken_cache_dir

tiktoken使用问题——ValueError: too many values to unpack (expected 2)

---

前言

不知道大家最近在使用langchain的时候有没有碰到这个如同鬼魅般的问题。一开始的时候一头雾水，明明1个月前还能正常运行的代码，怎么就突然不能用了。
我是在用OpenAI的embeddings的时候发现的这个问题。后面在使用memory的时候也出现了同样的问题。

图1

一、报错原理是什么？

我们跟随图1的堆栈报错信息，找到tiktoken\load.py模块的load_tiktoken_bpe方法：

def load_tiktoken_bpe(tiktoken_bpe_file: str) -> dict[bytes, int]:
    # NB: do not add caching to this function
    contents = read_file_cached(tiktoken_bpe_file)
    return {
        base64.b64decode(token): int(rank)
        for token, rank in (line.split() for line in contents.splitlines() if line)
    }
1
2
3
4
5
6
7

很明显是因为return无法unpack，那么肯定是contents有问题。
接着进入read_file_cached方法：

def read_file_cached(blobpath: str) -> bytes:
    if "TIKTOKEN_CACHE_DIR" in os.environ:
        cache_dir = os.environ["TIKTOKEN_CACHE_DIR"]
    elif "DATA_GYM_CACHE_DIR" in os.environ:
        cache_dir = os.environ["DATA_GYM_CACHE_DIR"]
    else:
        cache_dir = os.path.join(tempfile.gettempdir(), "data-gym-cache")

    if cache_dir == "":
        # disable caching
        return read_file(blobpath)

    cache_key = hashlib.sha1(blobpath.encode()).hexdigest()

    cache_path = os.path.join(cache_dir, cache_key)
    if os.path.exists(cache_path):
        with open(cache_path, "rb") as f:
            return f.read()

    contents = read_file(blobpath)

    os.makedirs(cache_dir, exist_ok=True)
    tmp_filename = cache_path + "." + str(uuid.uuid4()) + ".tmp"
    with open(tmp_filename, "wb") as f:
        f.write(contents)
    os.rename(tmp_filename, cache_path)

    return contents
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

根据这个函数，可以看出来这是在加载一个本地缓存文件，如果没有，那么就从网上获取，然后缓存到本地。
注意看os.rename(tmp_filename, cache_path)，你在debug的时候会发现cache_path没有扩展名，导致后面读取出来的是一堆乱码，但凡把.tmp这个扩展名加上，都不会出现这个问题。

二、解决方法

按照read_file_cached方法中的思路来，有两种应对的办法。当然如果你不嫌麻烦，每次生成tmp的时候再删除也行，这也是一个方法。

1.设置TIKTOKEN_CACHE_DIR为None

在环境变量中，或者在你的入口py执行的时候，给环境变量设置成None的。

根据read_file_cached的逻辑，每次调用的时候都会去下载blobpath文件。

2.拉取tiktoken源码，并修改

如果对于时间要求比较高，那么把源码拉下来，自己进行修改。修改cache_path加上.tmp就行了。我自己亲自试过，是可行的。

总结

这算是tiktoken的源码的一个小bug吧。