Parquet Formatter
Parquet格式化器。用于加载和格式化parquet类型的文件。...
Install
npx skills add cas-bigdatalab/piflow --skill parquet_formatter -g -a claude-code -y- Repository
- cas-bigdatalab/piflow541
- Category
- Engineering
- Updated
- 12d ago
- License
- See repository
- Context cost
- Lightabout 311 tokens
- Runs scripts
- Yes, review before use
What it does
Parquet格式化器。用于加载和格式化parquet类型的文件。 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Parquet格式化、Parquet数据加载、读取Parquet文件、Parquet转JSONL等需求时使用此skill。
功能概述
该算子用于加载 Parquet 格式的文件并格式化为统一的数据集格式，输出为 JSONL 格式。
核心参数
| 参数 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
| input_path | string | 是 | - | 输入Parquet文件路径或目录 |
| output_path | string | 是 | - | 输出JSONL文件路径 |
| text_keys | list | 否 | ['text'] | 文本字段名列表 |
| add_suffix | bool | 否 | False | 是否添加文件后缀信息 |
| num_proc | int | 否 | 1 | 并行处理的进程数 |
输入数据格式
输入可以是：
- 单个 Parquet 文件：
/path/to/data.parquet - Parquet 文件目录：
/path/to/parquet_directory/
输出数据格式
输出为 JSONL 格式，每行一个样本。
使用示例
命令行调用
# 加载单个Parquet文件
python scripts/run_parquet_formatter.py \
--input_path /path/to/input.parquet \
--output_path /path/to/output.jsonl
# 指定文本字段
python scripts/run_parquet_formatter.py \
--input_path /path/to/input.parquet \
--output_path /path/to/output.jsonl \
--text_keys text
# 加载目录中的所有Parquet文件
python scripts/run_parquet_formatter.py \
--input_path /path/to/parquet_directory \
--output_path /path/to/output.jsonl \
--add_suffix
参数说明
--input_path: 输入Parquet文件或目录路径--output_path: 输出JSONL文件路径--text_keys: 文本字段名，可重复指定多个（默认 ['text']）--add_suffix: 是否添加文件后缀信息--num_proc: 并行进程数，默认1
注意事项
- 输入文件必须是有效的 Parquet 格式
- text_keys 用于标识哪些字段是文本字段
- 空值或None的文本样本会被自动过滤
