| name | suffix_filter |
| description | 后缀过滤器。过滤器以保留具有指定后缀的样本。
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
当用户提到后缀过滤、文件类型过滤、按文件后缀筛选等需求时使用此skill。
|
| name_zh | 后缀过滤器算子 |
| 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":"suffixes","type":"list","required":false,"default":[],"description":"目标后缀列表，如 ['.txt', '.pdf']"},{"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":"过滤后的JSONL格式数据文件，保持原始字段结构"}] |
| tag | 数据筛选 |
| publisher | COMMUNITY |
功能概述
该算子根据样本的 suffix 字段值进行过滤，保留后缀在目标列表中的样本。
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) |
| suffixes | list | 否 | [] | 目标后缀列表，如 ['.txt', '.pdf'] |
| num_proc | int | 否 | 1 | 并行处理的进程数 |
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 suffix 字段：
{"text": "文本内容", "suffix": ".txt"}
输出数据格式
输出为 JSONL 格式，每行一个符合条件的样本，保持原始字段结构。
使用示例
命令行调用
python scripts/run_suffix_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl \
--suffixes .txt \
--suffixes .pdf
python scripts/run_suffix_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl
参数说明
--input_path: 输入文件路径--output_path: 输出文件路径--suffixes: 目标后缀，可重复指定多个（默认为空，保留所有）--num_proc: 并行进程数，默认1
注意事项
suffix 字段用于标识文件类型/后缀- 这是
NON_STATS_FILTERS，不需要计算统计信息，处理效率较高
- 如果不指定 suffixes，则保留所有样本
