words_num_filter

功能概述

该算子根据文本的单词数量进行过滤，保留单词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)
lang	string	否	'en'	语言代码
tokenization	bool	否	False	是否使用分词模型
min_num	int	否	10	最小单词数量
max_num	int	否	2147483647	最大单词数量
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>": "这是一段需要计算单词数的文本内容"}

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

# 英语单词数量过滤
python scripts/run_words_num_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --min_num 5 \
  --max_num 15

# 中文单词数量过滤
python scripts/run_words_num_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --lang zh \
  --tokenization \
  --min_num 10 \
  --max_num 25

参数说明

• --input_path: 输入文件路径
• --output_path: 输出文件路径
• --lang: 语言代码（默认 en）
• --tokenization: 是否使用分词模型
• --min_num: 最小单词数量（默认10）
• --max_num: 最大单词数量（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

1. 是批处理算子，可适当调整 batch_size 提高效率
2. 中文处理建议开启 tokenization