suffix-filter

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

# 过滤保留 .txt 和 .pdf 后缀的样本
python scripts/run_suffix_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --suffixes .txt \
  --suffixes .pdf

# 不指定后缀则保留所有样本
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

1. suffix 字段用于标识文件类型/后缀
2. 这是 NON_STATS_FILTERS，不需要计算统计信息，处理效率较高
3. 如果不指定 suffixes，则保留所有样本