cas-bigdatalab Clean Links Mapper
清理文本中的HTTP、HTTPS、FTP链接。
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 |
| repl | string | 否 | 空字符串 | 替换字符串（默认为删除） |
使用方法
python scripts/run_clean_links_mapper.py --input_path <input_path> --output_path <output_path> [--repl <replacement>]
实现原理
参照测试代码 test_clean_links_mapper.py 中的 _run_clean_links 函数：
# 1. 初始化算子
op = CleanLinksMapper() # 删除链接
# 或
op = CleanLinksMapper(repl='<LINKS>') # 替换为指定字符串
# 2. 将数据转为Dataset，使用 op.run(dataset) 处理
dataset = Dataset.from_list(samples)
result_dataset = op.run(dataset)
输入输出格式
输入格式 (JSON数组)
[
{"text": "访问 https://www.example.com 了解更多信息"},
{"text": "FTP服务器：ftp://ftp.example.com"}
]
输出格式 (JSON数组)
[
{"text": "访问 了解更多信息"},
{"text": "FTP服务器："}
]
示例
示例1：删除链接（默认）
python scripts/run_clean_links_mapper.py --input_path example_input.json --output_path output.json
示例2：替换为占位符
python scripts/run_clean_links_mapper.py --input_path example_input.json --output_path output.json --repl "<LINKS>"
注意事项
- 默认行为是删除链接
- 可以指定
repl参数来替换为其他字符串 - 支持HTTP、HTTPS、FTP协议的链接
- 不区分大小写（HTTP、Http、HTTP都会被识别）