cas-bigdatalab 功能概述
该算子用于过滤最大行长度在指定范围内的文本样本。
核心参数
| 参数 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
| input_path | string | 是 | - | 输入数据文件路径 (JSON/JSONL格式) |
| output_path | string | 是 | - | 输出数据文件路径 (JSONL格式) |
| min_len | int | 否 | 10 | 最小行长度（字符数） |
| max_len | int | 否 | 2147483647 | 最大行长度（字符数） |
| batch_size | int | 否 | 1 | 批处理大小 |
| num_proc | int | 否 | 1 | 并行处理的进程数 |
| text_key | string | 否 | text | 要操作的文本字段名 |
输入数据格式
输入文件应为 JSON 或 JSONL 格式，每行包含一个样本，样本需包含 text_key 指定的字段（默认 text）：
{"<text_key>": "第一行文本\n第二行文本\n第三行文本"}
输出数据格式
输出为 JSONL 格式，每行一个符合条件的样本，仅包含 text 字段。
使用示例
命令行调用
python scripts/run_maximum_line_length_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl \
--min_len 10 \
--max_len 20
参数说明
--input_path: 输入文件路径--output_path: 输出文件路径--min_len: 最小行长度（默认10）--max_len: 最大行长度（默认不限制）--batch_size: 批处理大小（默认1）--num_proc: 并行进程数，默认1--text_key: 要操作的文本字段名（默认text）
注意事项
- 该算子计算文本中所有行的最大长度
- 长度按字符数计算，不是字节数
- 处理大量数据时可适当增加 batch_size 和 num_proc 提高效率