# Remote Formatter

> 远程格式化器。用于从huggingface hub的存储库加载数据集。 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 当用户提到加载HuggingFace数据集、远程数据集加载、HuggingFace Hub等需求时使用此skill。

- Skill: `cas-bigdatalab/remote-formatter` (Agent Skill, multi-file: 5 files)
- Install (CLI): `npx skillmds@latest add cas-bigdatalab/remote-formatter`
- Raw SKILL.md: https://api.skillmd.com/api/skills/cas-bigdatalab/remote-formatter/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: cas-bigdatalab (https://skillmd.com/u/cas-bigdatalab)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/cas-bigdatalab/remote-formatter

---


## 功能概述

该算子用于从 HuggingFace Hub 加载数据集，支持加载公开数据集和需要认证的私有数据集。

## 核心参数

| 参数 | 类型 | 必填 | 默认值 | 说明 |
|------|------|------|--------|------|
| dataset_path | string | 是 | - | HuggingFace数据集路径 |
| output_path | string | 是 | - | 输出JSONL文件路径 |
| text_keys | list | 否 | ['text'] | 文本字段名列表 |
| split | string | 否 | 'train' | 数据集划分 |
| num_proc | int | 否 | 1 | 并行处理的进程数 |

## 输入数据格式

`dataset_path` 支持以下格式：
- 公开数据集：`username/dataset_name`
- 本地路径或远程路径

## 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HuggingFace公开数据集
python scripts/run_remote_formatter.py \
  --dataset_path "rotten_tomatoes" \
  --output_path /path/to/output.jsonl

# 指定文本字段
python scripts/run_remote_formatter.py \
  --dataset_path "yelp_review_full" \
  --output_path /path/to/output.jsonl \
  --text_keys text \
  --split train

# 带认证加载私有数据集
python scripts/run_remote_formatter.py \
  --dataset_path "private_user/private_dataset" \
  --output_path /path/to/output.jsonl
```

### 参数说明

- `--dataset_path`: HuggingFace数据集路径
- `--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']）
- `--split`: 数据集划分（默认 'train'）
- `--num_proc`: 并行进程数，默认1

## 注意事项

1. 首次运行会下载数据集，可能需要较长时间
2. 对于私有数据集，需要先登录 HuggingFace：`huggingface-cli login`
3. 支持的数据集格式由 HuggingFace datasets 库决定