cas-bigdatalab Clean Copyright Mapper
清理文本开头的版权注释，包括多行注释和单行注释。
本SKILL使用依赖data_juicer，请在调用前安装好python环境并安装data_juicer，你可用同以下指令进行安装：
pip install py-data-juicer
核心参数
| 参数 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
| input_path | string | 是 | - | 输入JSON文件路径 |
| output_path | string | 是 | - | 输出JSON文件路径 |
使用方法
python scripts/run_clean_copyright_mapper.py --input_path <input_path> --output_path <output_path>
实现原理
参照测试代码 test_clean_copyright_mapper.py 中的 _run_clean_copyright 函数：
# 1. 初始化算子（无参数）
op = CleanCopyrightMapper()
# 2. 将数据转为Dataset，使用 op.run(dataset) 处理
dataset = Dataset.from_list(samples)
result_dataset = op.run(dataset)
清理规则
- 多行注释清理：清理包含 "copyright" 关键词的多行注释（/* ... */）
- 单行注释清理：清理文本开头以
//、#、--开头的行
输入输出格式
输入格式 (JSON数组)
[
{"text": "/* 多行注释\n版权信息 */\n正文内容"},
{"text": "//单行注释\n正文内容"}
]
输出格式 (JSON数组)
[
{"text": "\n正文内容"},
{"text": "正文内容"}
]
示例
示例：清理版权注释
输入：
[
{"text": "/* copyright注释 */\n这是正文"},
{"text": "//这是一行注释\n这是正文"}
]
执行：
python scripts/run_clean_copyright_mapper.py --input_path example_input.json --output_path output.json
输出：
[
{"text": "\n这是正文"},
{"text": "这是正文"}
]
注意事项
- 此算子无额外参数
- 只清理文本开头的注释，不会影响正文中的注释
- 多行注释必须包含 "copyright" 关键词才会被清理