token-num-filter

name	token_num_filter
description	Token数量过滤器。筛选器将总令牌数的样本保留在特定范围内。 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token数量过滤、文本token数筛选、按token数过滤、文本分词过滤等需求时使用此skill。
name_zh	Token数量过滤器算子
input_params	[{"name":"input_path","type":"string","required":true,"description":"输入数据文件路径 (JSON/JSONL格式)"},{"name":"output_path","type":"string","required":true,"description":"输出数据文件路径 (JSONL格式)"},{"name":"hf_tokenizer","type":"string","required":false,"default":"EleutherAI/pythia-6.9b-deduped","description":"HuggingFace tokenizer 模型"},{"name":"min_num","type":"int","required":false,"default":10,"description":"最小 token 数量"},{"name":"max_num","type":"int","required":false,"description":"最大 token 数量（默认不限制）"},{"name":"num_proc","type":"int","required":false,"default":1,"description":"并行处理的进程数"},{"name":"text_key","type":"string","required":false,"default":"text","description":"要操作的文本字段名"}]
output_params	[{"name":"output_path","type":"jsonl_file","description":"过滤后的JSONL格式数据文件"}]
tag	数据筛选
publisher	COMMUNITY

功能概述

该算子使用 HuggingFace tokenizer 计算文本的 token 数量，过滤保留 token 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)
hf_tokenizer	string	否	'EleutherAI/pythia-6.9b-deduped'	HuggingFace tokenizer 模型
min_num	int	否	10	最小 token 数量
max_num	int	否	2147483647	最大 token 数量
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token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

python scripts/run_token_num_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --min_num 10 \
  --max_num 20

参数说明

• --input_path: 输入文件路径
• --output_path: 输出文件路径
• --hf_tokenizer: HuggingFace tokenizer 模型
• --min_num: 最小 token 数量（默认10）
• --max_num: 最大 token 数量（默认不限制）
• --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. 该算子使用 HuggingFace tokenizer 计算 token 数量
2. 不同 tokenizer 对同一文本可能产生不同的 token 数
3. 处理大量数据时可适当增加 num_proc 提高效率