parquet-formatter

name	parquet_formatter
description	Parquet格式化器。用于加载和格式化parquet类型的文件。 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Parquet格式化、Parquet数据加载、读取Parquet文件、Parquet转JSONL等需求时使用此skill。
name_zh	Parquet格式化器算子
input_params	[{"name":"input_path","type":"string","required":true,"description":"输入Parquet文件路径或目录"},{"name":"output_path","type":"string","required":true,"description":"输出JSONL文件路径"},{"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文件"}]
tag	数据转换
publisher	COMMUNITY

功能概述

该算子用于加载 Parquet 格式的文件并格式化为统一的数据集格式，输出为 JSONL 格式。

核心参数

参数	类型	必填	默认值	说明
input_path	string	是	-	输入Parquet文件路径或目录
output_path	string	是	-	输出JSONL文件路径
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 Parquet 文件：/path/to/data.parquet
2. Parquet 文件目录：/path/to/parquet_directory/

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

# 加载单个Parquet文件
python scripts/run_parquet_formatter.py \
  --input_path /path/to/input.parquet \
  --output_path /path/to/output.jsonl

# 指定文本字段
python scripts/run_parquet_formatter.py \
  --input_path /path/to/input.parquet \
  --output_path /path/to/output.jsonl \
  --text_keys text

# 加载目录中的所有Parquet文件
python scripts/run_parquet_formatter.py \
  --input_path /path/to/parquet_directory \
  --output_path /path/to/output.jsonl \
  --add_suffix

参数说明

• --input_path: 输入Parquet文件或目录路径
• --output_path: 输出JSONL文件路径
• --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. 输入文件必须是有效的 Parquet 格式
2. text_keys 用于标识哪些字段是文本字段
3. 空值或None的文本样本会被自动过滤