3、Reading Rasa Source Code —— entry

3、Reeading Rasa Source Code —— entry

在创建各命令的参数设置后，rasa 又对 log 设置、第三方包的 log 设置以及 TensorFlow 的 cpu/gpu 运行环境等做了一些准备工作，这部分的内容比较简单，就不做介绍。

# rasa.__main__.main()
if hasattr(cmdline_arguments, "func"):                # 如果具有 func 属性，则执行 func
  rasa.utils.io.configure_colored_logging(log_level)  # 利用 coloredlogs 配置带颜色的日志输出
  set_log_and_warnings_filters()                      # 设置日志和警告信息过滤器
  rasa.telemetry.initialize_telemetry()               # 初始化遥测（略）
  rasa.telemetry.initialize_error_reporting()         # 初始化遥测的错误报告（略）
  cmdline_arguments.func(cmdline_arguments)           # 进入到各子命令的执行入口中

在此前的 CLI 部分，我们介绍过，各个子命令最终都有一个 set_defaults 方法，该方法的参数便是该命令在执行时具体执行的函数。也就是说正常情况下，cmdline_arguments 都有 func 属性的。接下来两行是采用第三方包 coloredlogs 对日志的颜色做了一些修饰，以及对日志的警告信息进行过滤器设置。再接下来两行是 rasa 执行遥测相关的内容，只是方便 rasa 官方团队收集一些 rasa 用户在使用过程中的一些行为，该部分可整体忽略掉。

最后一句 cmdline_arguments.func(cmdline_arguments)，则是进入到指定命令在 set_defaults 方法的参数中执行的函数下。此处我们以 rasa train 命令为例，

此时程序会进入到

# rasa.cli.train.add_subparser()

...
train_parser.set_defaults(func=lambda args: train(args, can_exit=True))                                             
# 运行 rasa train 命令会运行 train() 函数，附带函数参数 can_exit=True
...

从而进入到下面的 train(args: argparse.Namespace, can_exit: bool = False) 中。

对于其他命令的入口函数也是如此，这些函数相当于各个命令的主函数，接下来我们便从这些函数入手开始深度阅读。