specified-field-filter

name	specified_field_filter
description	指定字段过滤器。根据指定的字段信息进行筛选。支持对JSONL格式数据指定字段进行过滤。 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 当用户提到字段过滤、字段值筛选、元数据过滤、指定字段过滤、按字段值过滤等需求时使用此skill。
name_zh	指定字段过滤器算子
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":"field_key","type":"string","required":true,"description":"字段路径，用点号分隔，如 'meta.suffix'"},{"name":"target_value","type":"list","required":true,"description":"目标值列表，如 ['.pdf', '.txt']"},{"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

该算子根据指定字段的值进行过滤，保留字段值在目标值列表中的样本。支持嵌套字段和列表字段。

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)
field_key	string	是	-	字段路径，用点号分隔，如 'meta.suffix' 或 'meta.path.test'
target_value	list	是	-	目标值列表，如 ['.pdf', '.txt']
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，样本需包含指定的字段：

{"text": "文本内容", "meta": {"suffix": ".pdf", "star": 50}}

支持嵌套字段：

{"text": "文本内容", "meta": {"path": {"test": ["txt", "json"]}