Document Deduplicator
Documentsdocument_deduplicatorDocument Deduplicator is an Agent Skill for documents published in the cas-bigdatalab/piflow repository on GitHub: a SKILL.md instruction file an AI agent can load to do this task.
文档去重工具。使用精确匹配（MD5哈希）在文档级别删除重复的样本。 当用户提到文档去重、删除重复文档、样本去重、文本去重、去除重复内容、 清洗重复数据、整理文档集合等需求时使用此skill。 即使用户没有明确说出"去重"，只要任务涉及从多个文档中识别和删除重复内容， 就应该使用此skill。
QUICK START
How to use this skill
Bring this guide into your coding agent with a prompt tailored to the tool you use.
- Open your project in Codex.
- Copy and paste the prompt below.
- Review files and risks before approving any action.
Prompt to paste
Inspect the Agent Skill at https://github.com/cas-bigdatalab/piflow/blob/HEAD/workspace/skills/document_deduplicator/SKILL.md and all supporting files. Report provenance, permissions, scripts, dependencies, and security risks. Propose an exact installation into .agents/skills/document-deduplicator, but wait for my approval before writing files or running scripts.
Copying this prompt does not install or run the skill. Review third-party files before use.
Document Deduplicator 文档去重 Skill
功能概述
本skill使用MD5哈希算法进行文档级别的精确匹配去重。 通过计算每个文档内容的哈希值，快速识别并删除完全相同或指定条件下相同的重复文档。
触发条件
当用户请求以下任务时，应使用此skill：
- 文档去重
- 删除重复文档
- 样本去重
- 文本去重
- 去除重复内容
- 清洗重复数据
- 整理文档集合
核心参数说明
必需参数
| 参数 | 说明 |
|---|---|
--input | 输入文件路径 (支持 json, txt) |
--output | 输出文件路径 (支持 json, txt) |
可选参数
| 参数 | 说明 | 默认值 |
|---|---|---|
--text_key | 文本字段的键名 | text |
--lowercase | 是否将文本转为小写进行比对 | False |
--ignore_non_character | 是否忽略非字母字符（空格、数字、标点） | False |
支持的文件格式
JSON 格式
{
"data": [
{"text": "文档内容1"},
{"text": "文档内容2"},
{"text": "文档内容1"}
]
}
TXT 格式
文档内容1
文档内容2
文档内容1
使用方法
# JSON 去重
python scripts/run_document_deduplicator.py \
--input ./input.json \
--output ./output.json
# TXT 去重
python scripts/run_document_deduplicator.py \
--input ./documents.txt \
--output ./deduplicated.txt
# 忽略大小写去重
python scripts/run_document_deduplicator.py \
--input ./input.json \
--output ./output.json \
--lowercase True
输出示例
命令行输出：
[OK] Document deduplication completed!
Original documents: 5
Deduplicated documents: 4
Removed duplicates: 1
Input file: ./input.json
Output file: ./output.json
去重模式说明
| 模式 | 参数组合 | 说明 |
|---|---|---|
| 精确匹配 | lowercase=Falseignore_non_character=False | 完全相同的文本才会被去重 |
| 忽略大小写 | lowercase=Trueignore_non_character=False | "Hello" 和 "hello" 会被视为重复 |
| 忽略格式 | lowercase=Falseignore_non_character=True | 去除空格、数字、标点后比对 |
| 综合 | lowercase=Trueignore_non_character=True | 转小写且去除非字母字符后比对 |
环境要求
安装依赖： 本SKILL使用依赖 data_juicer，请在调用前安装好python环境并安装data_juicer，可用以下指令进行安装：
pip install py-data-juicer
注意事项
- 文件格式：输入输出自动根据文件扩展名判断格式（json 或 txt）
- 默认字段：默认使用
text字段作为文本内容，可通过--text_key修改 - 处理逻辑：保留首次出现的文档，删除后续重复项
- 编码检测：自动检测文件编码（utf-8, gbk, gb2312, gb18030等）