maximum-line-length-filter

name	maximum_line_length_filter
description	最大行长度过滤器。过滤器将最大行长度的样本保持在特定范围内。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 当用户提到最大行长度过滤、文本行长筛选、最长行过滤、按行长度过滤等需求时使用此skill。
name_zh	最大行长度过滤器算子
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_len","type":"int","required":false,"default":10,"description":"最小行长度（字符数）"},{"name":"max_len","type":"int","required":false,"default":2147483647,"description":"最大行长度（字符数）"},{"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文件，包含最大行长度在指定范围内的样本"}]
tag	数据筛选
publisher	COMMUNITY

功能概述

该算子用于过滤最大行长度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_len	int	否	10	最小行长度（字符数）
max_len	int	否	2147483647	最大行长度（字符数）
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>": "第一行文本\n第二行文本\n第三行文本"}

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_maximum_line_length_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --min_len 10 \
  --max_len 20

参数说明

• --input_path: 输入文件路径
• --output_path: 输出文件路径
• --min_len: 最小行长度（默认10）
• --max_len: 最大行长度（默认不限制）
• --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. 该算子计算文本中所有行的最大长度
2. 长度按字符数计算，不是字节数
3. 处理大量数据时可适当增加 batch_size 和 num_proc 提高效率