special-characters-filter

name	special_characters_filter
description	特殊字符过滤器。过滤器将具有特殊字符比率的样品保持在特定范围内。 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 当用户提到特殊字符过滤、特殊字符比例过滤、文本特殊字符检测、清理乱码文本等需求时使用此skill。
name_zh	特殊字符过滤器算子
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":"min_ratio","type":"float","required":false,"default":0,"description":"最小特殊字符比例"},{"name":"max_ratio","type":"float","required":false,"default":0.25,"description":"最大特殊字符比例"},{"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

该算子用于过滤特殊字符比例在指定范围内的文本样本。

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)
min_ratio	float	否	0.0	最小特殊字符比例
max_ratio	float	否	0.25	最大特殊字符比例
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>": "这是一段包含特殊字符的文本内容"}

输出数据格式

输出为 JSONL 格式，每行一个符合条件的样本，仅包含 text 字段。

使用示例

命令行调用

python scripts/run_special_characters_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --min_ratio 0.0 \
  --max_ratio 0.25

参数说明

• --input_path: 输入文件路径
• --output_path: 输出文件路径
• --min_ratio: 最小特殊字符比例（默认0.0）
• --max_ratio: 最大特殊字符比例（默认0.25）
• --batch_size: 批处理大小（默认1）
• --num_proc: 并行进程数，默认1
• --text_key: 要操作的文本字段名（默认text）

注意事项

1. 特殊字符包括：，。、„""«»１」「《》´∶：？！"（）"；–—．～'…━〈〉【】％► 等
2. 比例计算方式：特殊字符数 / 总字符数
3. 处理大量数据时可适当增加 batch_size 和 num_proc 提高效率