local-formatter

name	local_formatter
description	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。
name_zh	本地格式化器算子
input_params	[{"name":"input_path","type":"string","required":true,"description":"数据集文件或目录路径"},{"name":"output_path","type":"string","required":true,"description":"输出JSONL文件路径"},{"name":"suffixes","type":"list","required":false,"description":"指定后缀列表，如 ['.json', '.csv']"},{"name":"text_keys","type":"list","required":false,"default":"['text']","description":"文本字段名列表"},{"name":"add_suffix","type":"bool","required":false,"default":false,"description":"是否添加文件后缀信息"},{"name":"num_proc","type":"int","required":false,"default":1,"description":"并行处理的进程数"}]
output_params	[{"name":"output_path","type":"jsonl_file","description":"格式化后的JSONL数据集文件"}]
tag	数据转换
publisher	COMMUNITY

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_path	string	是	-	数据集文件或目录路径
output_path	string	是	-	输出JSONL文件路径
suffixes	list	否	None	指定后缀列表，如 ['.json', '.csv']
text_keys	list	否	['text']	文本字段名列表
add_suffix	bool	否	False	是否添加文件后缀信息
num_proc	int	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