cas-bigdatalab 功能概述
该算子用于从本地文件或本地目录加载数据集，支持多种数据格式（JSON、CSV等），并格式化为统一的数据集格式。
核心参数
| 参数 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
| input_path | string | 是 | - | 数据集文件或目录路径 |
| output_path | string | 是 | - | 输出JSONL文件路径 |
| suffixes | list | 否 | None | 指定后缀列表，如 ['.json', '.csv'] |
| 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 |
输入数据格式
输入可以是：
- 单个数据文件：
/path/to/data.json - 数据文件目录：
/path/to/data_directory/
支持的文件格式由 suffixes 参数指定，默认为自动识别。
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
# 加载本地JSON文件
python scripts/run_local_formatter.py \
--input_path /path/to/input.json \
--output_path /path/to/output.jsonl
# 加载目录中指定后缀的文件
python scripts/run_local_formatter.py \
--input_path /path/to/data_directory \
--output_path /path/to/output.jsonl \
--suffixes .json \
--suffixes .csv \
--text_keys text
# 添加文件后缀信息
python scripts/run_local_formatter.py \
--input_path /path/to/data_directory \
--output_path /path/to/output.jsonl \
--add_suffix
参数说明
--input_path: 输入数据集文件或目录路径--output_path: 输出JSONL文件路径--suffixes: 目标后缀，可重复指定多个--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
注意事项
- 支持多种本地文件格式（json, csv 等）
- 空值或 None 的文本样本会被自动过滤
- 相对路径会根据输入数据集目录自动转换为绝对路径