| name | batch_collector |
| description | 批量文件清单采集器。扫描一个或多个本地文件/目录，或从任务列表加载路径，
按支持的扩展名生成文件元信息清单，供后续文本、表格、文档、图像等采集流程继续处理。
当用户需要批量盘点待采集文件、生成本地文件 manifest、统计输入文件类型或为后续采集算子准备文件清单时使用此 skill。
|
| name_zh | 批量文件清单采集器 |
| input_params | [{"name":"input","type":"string","required":false,"description":"输入文件或目录路径列表，与 task_list 二选一"},{"name":"task_list","type":"string","required":false,"description":"任务列表文件路径，支持 json 或 txt，与 input 二选一"},{"name":"output","type":"string","required":true,"description":"输出文件路径"},{"name":"recursive","type":"string","required":false,"default":"False"},{"name":"file_types","type":"string","required":false,"description":"指定允许采集的扩展名，如 txt csv pdf；不填时使用脚本默认支持类型"},{"name":"batch_size","type":"string","required":false,"default":"0","description":"进度报告间隔，0 表示不按批次报告"},{"name":"output_format","type":"string","required":false,"default":"jsonl","description":"输出格式：jsonl、json、csv 或 auto"}] |
| output_params | [{"name":"output","type":"jsonl_file","description":"文件元信息清单，每条记录包含 file_path、filename、extension、file_size、collected_at、task_index、total_tasks"},{"name":"total_files","type":"integer","description":"采集到的文件总数"},{"name":"type_counts","type":"object","description":"按扩展名统计的文件数量分布"}] |
| tag | 数据筛选 |
| publisher | COMMUNITY |
Batch Collector 批量文件清单采集器
功能概述
本 skill 用于批量扫描本地文件或目录，生成“待采集文件清单”。它不会读取、清洗或解析文件正文，只记录文件路径、文件名、扩展名、大小、采集时间和任务序号等基础元信息。
它适合放在采集流程入口，用来把一批本地资源整理成统一 manifest，再交给 text_collector、table_collector、image_collector 等后续算子继续处理。
触发条件
当用户提出以下需求时，应使用本 skill：
- 批量盘点本地待采集文件
- 扫描一个或多个输入目录并生成文件清单
- 统计输入文件的扩展名分布
- 为后续采集/解析/校验流程准备 manifest
- 从任务列表批量加载待处理路径
不处理什么
- 不读取文件正文
- 不清洗文本内容
- 不解析 CSV、JSON、PDF、DOCX 等内部结构
- 不判断文件内容质量
- 不执行真实下载、爬取或远程采集
核心参数说明
必需参数
输入参数
| 参数 | 说明 |
|---|
--input | 一个或多个文件/目录路径，与 --task_list 二选一 |
--task_list | 任务列表文件，支持 json 或 txt，与 --input 二选一 |
可选参数
| 参数 | 默认值 | 说明 |
|---|
--recursive | false | 是否递归扫描子目录 |
--file_types | 脚本默认支持类型 | 指定允许采集的扩展名，如 txt csv pdf |
--batch_size | 0 | 进度报告间隔，0 表示不按批次报告 |
--output_format | jsonl | 输出格式：jsonl、json、csv 或 auto |
输入文件格式
目录输入
input_dir/
alpha.txt
beta.csv
config.json
nested/
deep.md
skip.exe
文本任务列表
workspace/data/a.txt
workspace/data/b.csv
workspace/data/docs
JSON任务列表
[
"workspace/data/a.txt"
