# Token Num Filter

> Token数量过滤器。筛选器将总令牌数的样本保留在特定范围内。 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token数量过滤、文本token数筛选、按token数过滤、文本分词过滤等需求时使用此skill。

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

---


## 功能概述

该算子使用 HuggingFace tokenizer 计算文本的 token 数量，过滤保留 token 数在指定范围内的样本。

## 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) |
| hf_tokenizer | string | 否 | 'EleutherAI/pythia-6.9b-deduped' | HuggingFace tokenizer 模型 |
| min_num | int | 否 | 10 | 最小 token 数量 |
| max_num | int | 否 | 2147483647 | 最大 token 数量 |
| 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`）：

```json
{"<text_key>": "这是一段需要计算token数的文本内容"}
```

## 输出数据格式

输出为 JSONL 格式，每行一个符合条件的样本。

## 使用示例

### 命令行调用

```bash
python scripts/run_token_num_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --min_num 10 \
  --max_num 20
```

### 参数说明

- `--input_path`: 输入文件路径
- `--output_path`: 输出文件路径  
- `--hf_tokenizer`: HuggingFace tokenizer 模型
- `--min_num`: 最小 token 数量（默认10）
- `--max_num`: 最大 token 数量（默认不限制）
- `--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

1. 该算子使用 HuggingFace tokenizer 计算 token 数量
2. 不同 tokenizer 对同一文本可能产生不同的 token 数
3. 处理大量数据时可适当增加 num_proc 提高效率