Average Line Length Filter 平均行长度过滤 Skill

功能概述

本skill根据文本的平均行长度进行过滤，只保留平均行长度在指定范围内的样本。 常用于过滤过短或过长的文本行、清理格式不规范的文本等场景。

触发条件

当用户请求以下任务时，应使用此skill：

• 行长度过滤
• 平均行长度筛选
• 文本行长度过滤
• 按行筛选
• 清理过长文本
• 清理过短文本

核心参数说明

必需参数

参数	说明
--input	输入JSON文件路径
--output	输出JSON文件路径

可选参数

参数	说明	默认值
--min_len	最小平均行长度	10
--max_len	最大平均行长度	无限制
--text_key	文本字段的键名	text

输入文件格式

[
  {"text": "第一行\n第二行\n第三行"},
  {"text": "只有一行"},
  {"text": "长文本内容\n带有换行"}
]

使用方法

过滤平均行长度在10-100之间的样本（默认）

python scripts/run_average_line_length_filter.py \
  --input ./input.json \
  --output ./output.json

过滤平均行长度在20-50之间的样本

python scripts/run_average_line_length_filter.py \
  --input ./input.json \
  --output ./output.json \
  --min_len 20 \
  --max_len 50

只设置最小长度（无上限）

python scripts/run_average_line_length_filter.py \
  --input ./input.json \
  --output ./output.json \
  --min_len 15

过滤示例

文本	行数	平均行长度	过滤结果 (10-20)
a=1\nb\nc=1+2+3\nd=6	4	4	过滤
Today is Sund Sunda and it's a happy day!\nYou know	2	26	过滤
a v s e e f g a qkc	1	17	保留
，。、„""«»１»	1	12	保留
Do you need a cup of coffee?	1	25	过滤

输出示例

命令行输出：

[OK] Average line length filtering completed!
   Min length: 10
   Max length: 20
   Original documents: 6
   Filtered documents: 2
   Removed documents: 4
   Input file: ./input.json
   Output file: ./output.json

输出JSON格式：

[
  {"text": "过滤后保留的文本1"},
  {"text": "过滤后保留的文本2"}
]

环境要求

安装依赖： 本SKILL使用依赖 data_juicer，请在调用前安装好python环境并安装data_juicer：

pip install py-data-juicer

注意事项

1. 平均行长度计算：总字符数 / 行数
2. 默认值：max_len 默认无限制
3. 过滤逻辑：只保留平均行长度在 [min_len, max_len] 范围内的样本
4. 适用场景：清理过短/过长文本行、过滤格式不规范文本