Suffix Filter
Documentssuffix_filterSuffix 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.
后缀过滤器。过滤器以保留具有指定后缀的样本。 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 当用户提到后缀过滤、文件类型过滤、按文件后缀筛选等需求时使用此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/suffix_filter/SKILL.md and all supporting files. Report provenance, permissions, scripts, dependencies, and security risks. Propose an exact installation into .agents/skills/suffix-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
该算子根据样本的 suffix 字段值进行过滤，保留后缀在目标列表中的样本。
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) |
| suffixes | list | 否 | [] | 目标后缀列表，如 ['.txt', '.pdf'] |
| 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 suffix 字段：
{"text": "文本内容", "suffix": ".txt"}
输出数据格式
输出为 JSONL 格式，每行一个符合条件的样本，保持原始字段结构。
使用示例
命令行调用
# 过滤保留 .txt 和 .pdf 后缀的样本
python scripts/run_suffix_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl \
--suffixes .txt \
--suffixes .pdf
# 不指定后缀则保留所有样本
python scripts/run_suffix_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl
参数说明
--input_path: 输入文件路径--output_path: 输出文件路径--suffixes: 目标后缀，可重复指定多个（默认为空，保留所有）--num_proc: 并行进程数，默认1
注意事项
suffix字段用于标识文件类型/后缀- 这是
NON_STATS_FILTERS，不需要计算统计信息，处理效率较高 - 如果不指定 suffixes，则保留所有样本