words-num-filter

name	words_num_filter
description	单词数量过滤器。过滤器，以保持总字数在特定范围内的样本。 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 当用户提到单词数量过滤、文本字数筛选、按单词数过滤、按字数过滤等需求时使用此skill。
name_zh	单词数量过滤器算子
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":"lang","type":"string","required":false,"default":"en","description":"语言代码"},{"name":"tokenization","type":"bool","required":false,"default":false,"description":"是否使用分词模型"},{"name":"min_num","type":"int","required":false,"default":10,"description":"最小单词数量"},{"name":"max_num","type":"int","required":false,"description":"最大单词数量（默认不限制）"},{"name":"batch_size","type":"int","required":false,"default":1,"description":"批处理大小"},{"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

该算子根据文本的单词数量进行过滤，保留单词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)
lang	string	否	'en'	语言代码
tokenization	bool	否	False	是否使用分词模型
min_num	int	否	10	最小单词数量
max_num	int	否	2147483647	最大单词数量
batch_size	int	否	1	批处理大小
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>": "这是一段需要计算单词数的文本内容"}

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

# 英语单词数量过滤
python scripts/run_words_num_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --min_num 5 \
  --max_num 15

# 中文单词数量过滤
python scripts/run_words_num_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --lang zh \
  --tokenization \
  --min_num 10 \
  --max_num 25

参数说明

• --input_path: 输入文件路径
• --output_path: 输出文件路径
• --lang: 语言代码（默认 en）
• --tokenization: 是否使用分词模型
• --min_num: 最小单词数量（默认10）