OpenParable
Skip to content
← Back to skills

Local Formatter

Documents
local_formatter

Local Formatter 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.

本地格式化器。类用于从本地文件或本地目录加载数据集。 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 当用户提到加载本地数据集、读取本地文件、格式化本地数据、数据集加载等需求时使用此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.

  1. Open your project in Codex.
  2. Copy and paste the prompt below.
  3. 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/local_formatter/SKILL.md and all supporting files. Report provenance, permissions, scripts, dependencies, and security risks. Propose an exact installation into .agents/skills/local-formatter, 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

该算子用于从本地文件或本地目录加载数据集，支持多种数据格式（JSON、CSV等），并格式化为统一的数据集格式。

核心参数

参数类型必填默认值说明
input_pathstring是-数据集文件或目录路径
output_pathstring是-输出JSONL文件路径
suffixeslist否None指定后缀列表，如 ['.json', '.csv']
text_keyslist否['text']文本字段名列表
add_suffixbool否False是否添加文件后缀信息
num_procint否1并行处理的进程数

输入数据格式

输入可以是：

  1. 单个数据文件：/path/to/data.json
  2. 数据文件目录：/path/to/data_directory/

支持的文件格式由 suffixes 参数指定，默认为自动识别。

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

# 加载本地JSON文件
python scripts/run_local_formatter.py \
  --input_path /path/to/input.json \
  --output_path /path/to/output.jsonl

# 加载目录中指定后缀的文件
python scripts/run_local_formatter.py \
  --input_path /path/to/data_directory \
  --output_path /path/to/output.jsonl \
  --suffixes .json \
  --suffixes .csv \
  --text_keys text

# 添加文件后缀信息
python scripts/run_local_formatter.py \
  --input_path /path/to/data_directory \
  --output_path /path/to/output.jsonl \
  --add_suffix

参数说明

  • --input_path: 输入数据集文件或目录路径
  • --output_path: 输出JSONL文件路径
  • --suffixes: 目标后缀，可重复指定多个
  • --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. 支持多种本地文件格式（json, csv 等）
  2. 空值或 None 的文本样本会被自动过滤
  3. 相对路径会根据输入数据集目录自动转换为绝对路径