# CSV Formatter

> CSV格式化器。用于加载和格式化csv类型的文件。 本SKILL使用依赖data_juicer，请在调用前安装好python环境并安装data_juicer，你可用以下指令进行安装： pip install py-data-juicer 当用户提到CSV格式化、CSV数据加载、读取CSV文件、CSV转JSONL等需求时使用此skill。

- Skill: `cas-bigdatalab/csv-formatter-2` (Agent Skill, multi-file: 7 files)
- Install (CLI): `npx skillmds@latest add cas-bigdatalab/csv-formatter-2`
- Raw SKILL.md: https://api.skillmd.com/api/skills/cas-bigdatalab/csv-formatter-2/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Data & Analytics
- Author: cas-bigdatalab (https://skillmd.com/u/cas-bigdatalab)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/cas-bigdatalab/csv-formatter-2

---


## 功能概述

该算子用于加载 CSV 格式的文件并格式化为统一的数据集格式，输出为 JSONL 格式。

## 核心参数

| 参数 | 类型 | 必填 | 默认值 | 说明 |
|------|------|------|--------|------|
| input_path | string | 是 | - | 输入CSV文件路径或目录 |
| output_path | string | 是 | - | 输出JSONL文件路径 |
| text_keys | list | 否 | ['text'] | 文本字段名列表 |
| add_suffix | bool | 否 | False | 是否添加文件后缀信息 |
| num_proc | int | 否 | 1 | 并行处理的进程数 |
| encoding | string | 否 | utf-8 | CSV文件编码格式 |

## 输入数据格式

输入可以是：
1. 单个 CSV 文件：`/path/to/data.csv`
2. CSV 文件目录：`/path/to/csv_directory/`

## 输出数据格式

输出为 JSONL 格式，每行一个样本。

## 使用示例

### 命令行调用

```bash
# 加载单个CSV文件
python scripts/run_csv_formatter.py \
  --input_path /path/to/input.csv \
  --output_path /path/to/output.jsonl

# 指定文本字段
python scripts/run_csv_formatter.py \
  --input_path /path/to/input.csv \
  --output_path /path/to/output.jsonl \
  --text_keys text \
  --text_keys title

# 加载目录中的所有CSV文件
python scripts/run_csv_formatter.py \
  --input_path /path/to/csv_directory \
  --output_path /path/to/output.jsonl \
  --add_suffix

# 指定编码格式（如GBK）
python scripts/run_csv_formatter.py \
  --input_path /path/to/input.csv \
  --output_path /path/to/output.jsonl \
  --encoding gbk
```

### 参数说明

- `--input_path`: 输入CSV文件或目录路径
- `--output_path`: 输出JSONL文件路径
- `--text_keys`: 文本字段名，可重复指定多个（默认 ['text']）
- `--add_suffix`: 是否添加文件后缀信息
- `--num_proc`: 并行进程数，默认1
- `--encoding`: CSV文件编码格式，默认utf-8，如GBK文件可指定 --encoding gbk

## 注意事项

1. 输入文件必须是有效的 CSV 格式
2. text_keys 用于标识哪些字段是文本字段
3. 空值或None的文本样本会被自动过滤