tsv_formatter

功能概述

该算子用于加载 TSV（Tab-Separated Values）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TSV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

输入数据格式

输入可以是：

1. 单个 TSV 文件：/path/to/data.tsv
2. TSV 文件目录：/path/to/tsv_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

# 加载单个TSV文件
python scripts/run_tsv_formatter.py \
  --input_path /path/to/input.tsv \
  --output_path /path/to/output.jsonl

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

# 加载目录中的所有TSV文件
python scripts/run_tsv_formatter.py \
  --input_path /path/to/tsv_directory \
  --output_path /path/to/output.jsonl \
  --add_suffix

参数说明

• --input_path: 输入TSV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

注意事项

1. TSV 使用 Tab (\t) 作为分隔符
2. 输入文件必须是有效的 TSV 格式
3. 空值或None的文本样本会被自动过滤