Language Id Score Filter

Documents

language_id_score_filter

Language Id Score Filter 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.

语言识别分数过滤器。过滤器以保留置信度得分大于特定最小值的特定语言的样本。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 当用户提到语言识别过滤、语言检测、文本语言筛选、按语言过滤等需求时使用此skill。

View on GitHub ↗

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/language_id_score_filter/SKILL.md and all supporting files. Report provenance, permissions, scripts, dependencies, and security risks. Propose an exact installation into .agents/skills/language-id-score-filter, 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.

功能概述

该算子使用 FastText 模型识别文本语言，过滤保留指定语言的样本，且置信度分数需大于最小阈值。

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/list	否	''	指定语言，可为单个语言字符串如 'en'，或列表如 ['en', 'zh']，为空则保留所有语言
min_score	float	否	0.8	最小语言识别置信度分数
num_proc	int	否	1	并行处理的进程数

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 字段：

{"text": "这是一段中文文本内容"}

输出数据格式

输出为 JSONL 格式，每行一个符合条件的样本，仅包含 text 字段。

使用示例

命令行调用

# 过滤英语文本
python scripts/run_language_id_score_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --lang en \
  --min_score 0.8

# 过滤多种语言
python scripts/run_language_id_score_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --lang en \
  --lang zh \
  --min_score 0.8

参数说明

--input_path: 输入文件路径
--output_path: 输出文件路径
--lang: 指定语言代码，可重复指定多个语言（默认为空，保留所有语言）
--min_score: 最小置信度分数（默认0.8）
--num_proc: 并行进程数，默认1

注意事项

该算子使用 FastText 模型进行语言识别
支持的语言代码如：'en'(英语), 'zh'(中文), 'ja'(日语), 'ko'(韩语) 等
当 lang 为空时，只根据 min_score 进行过滤
处理大量数据时可适当增加 num_proc 提高效率