数据处理算法模板

内置算法模板

DataFlow 内置了多种数据处理模板，包括数据处理-基础、数据处理-高阶和数据增强模板，为用户提供多样化的处理方案。未来，平台还将不断添加新的模板，以进一步丰富和优化数据处理能力。 此外，用户也可以创建自己的模板，或基于内置模板进行修改，构建个性化的数据处理 Pipeline，以满足特定的数据管理需求。

自定义算法模板

• 基于内置模板进行修改： 在内置模板卡片上点击复制，可以复制配置，进入自定义算法模板创建页面。

• 根据需要从头创建新模板： 点击页面右侧的自定义模板按钮，进入自定义算法模板创建页面。

进入模板创建页面后，填写模板名称、任务类型和模板描述字段，选择模板内要使用的算子以及执行顺序。

注意：部分算子需要设置相应的参数值。

设置完成后，点击页面右下角创建完成按钮，即可开始使用新创建的模板完成数据处理任务。

算子列表

平台支持以下算子

ID	名称	类型	描述
chinese_convert_mapper	汉字转换	Mapper	用于在繁体中文、简体中文和日文汉字之间进行转换。
clean_copyright_mapper	版权信息清理	Mapper	用于删除文本样本开头的版权声明。
clean_email_mapper	邮箱后缀清理	Mapper	用于删除文本样本中的电子邮件地址。
clean_html_mapper	HTML代码清理	Mapper	用于删除文本样本中的HTML代码。
clean_ip_mapper	IP地址清理	Mapper	用于删除文本样本中的ipv4和ipv6地址。
clean_links_mapper	链接地址清理	Mapper	用于删除文本样本中的http/https/ftp等链接。
expand_macro_mapper	宏定义扩展	Mapper	用于扩展LaTeX文档中定义的宏。
generate_code_qa_pair_mapper	代码转换成QA对数据集	Mapper	基于代码生成新的指令数据的转换器
extract_qa_mapper	问答对提取	Mapper	用于从文本样本中提取问答对
fix_unicode_mapper	Unicode错误修正	Mapper	用于修正文本样本中Unicode错误。
nlpaug_en_mapper	英文语义增强	Mapper	使用nlpaug库对英语文本进行简单增强。
nlpcda_zh_mapper	汉语语义增强	Mapper	使用nlpcda库对中文文本进行简单增强。
optimize_instruction_mapper	优化Instruction	Mapper	用于优化指令
punctuation_normalization_mapper	Unicode标点规范化	Mapper	用于将文本样本中的Unicode标点符号标准化为英文标点符号。
remove_bibliography_mapper	移除参考书目信息	Mapper	用于删除LaTeX文档末尾的参考文献。
remove_comments_mapper	移除评论信息	Mapper	用于删除不同类型文档中的注释。目前仅支持'tex'格式。
remove_header_mapper	移除文件头	Mapper	用于移除LaTeX文档开头的标题。
remove_long_words_mapper	移除长字符串	Mapper	用于删除长度超出指定范围的单词。
remove_non_chinese_character_mapper	移除非中文字符	Mapper	用于删除文本样本中的非中文字符。
remove_repeat_sentences_mapper	句子去重	Mapper	用于删除文本样本中重复的句子。
remove_specific_chars_mapper	特殊字符清理	Mapper	用于删除文本样本中的特定字符。现在支持的字符有：◆●■►▼▲▴∆▻▷❖♡□
remove_table_text_mapper	表格内容清理	Mapper	用于从文本样本中删除表格内容。使用正则表达式在表格列数范围内删除表格。
remove_words_with_incorrect_substrings_mapper	子字符串清理	Mapper	用于删除包含错误子字符串的单词。
replace_content_mapper	文本替换	Mapper	用于将文本中与特定正则表达式模式匹配的所有内容替换为指定替换字符串。
sentence_split_mapper	句子分割	Mapper	用于将文本样本拆分为句子。
whitespace_normalization_mapper	空白规范化	Mapper	用于将文本样本中不同类型的空白字符标准化为空格字符' '（0x20）。
alphanumeric_filter	字母/数字占比过滤	Filter	用于保留字母/数字比例在特定范围内的样本。
average_line_length_filter	平均行长度范围过滤	Filter	用于保留平均行长度在特定范围内的样本。
character_repetition_filter	字符级重复率范围过滤	Filter	用于保留字符级n-gram重复率在特定范围内的样本。
flagged_words_filter	标记词比例过滤	Filter	用于保留标记词汇比例小于指定最大值的样本。
language_id_score_filter	特定语言置信度过滤	Filter	用于保留特定语言且语言置信度评分大于指定最小值的样本。
maximum_line_length_filter	最大行长度范围过滤	Filter	用于保留最大行长度在特定范围内的样本。
perplexity_filter	困惑度范围过滤	Filter	用于保留困惑度评分小于指定最大值的样本。
special_characters_filter	特殊字符比例过滤	Filter	用于保留特殊字符比例在特定范围内的样本。
specified_field_filter	字段信息过滤	Filter	基于指定字段信息进行过滤。如果样本中的指定字段信息不在设定的目标值范围内，该样本将被过滤。
specified_numeric_field_filter	数值字段范围过滤	Filter	基于指定的数值字段信息进行过滤。如果样本中的指定数值信息不在设定的范围内，该样本将被过滤。
stopwords_filter	停用词比例过滤	Filter	用于保留停用词比例大于指定最小值的样本。
suffix_filter	特殊后缀过滤	Filter	用于保留具有指定后缀的样本。
text_action_filter	动作文本过滤	Filter	用于保留包含动作的文本。
text_entity_dependency_filter	实体文本过滤	Filter	识别文本中独立的实体，并对其进行过滤。不包含实体的文本将被忽略。
text_length_filter	文本长度范围过滤	Filter	用于保留总文本长度在特定范围内的样本。
token_num_filter	token数量范围过滤	Filter	用于保留token数量在特定范围内的样本。
word_repetition_filter	词级重复率范围过滤	Filter	用于保留单词级n-gram重复比率在特定范围内的样本。
words_num_filter	单词数量范围过滤	Filter	用于保留总词数在特定范围内的样本。
document_deduplicator	文档去重（MD5）	Deduplicator	用于通过精确匹配在文档级别对样本去重。使用MD5哈希值进行样本去重。
document_minhash_deduplicator	文档去重（MinHashLSH）	Deduplicator	用于通过MinHashLSH在文档级对样本去重。与SimHash不同，MinHash以字节形式存储，因此不会保留在最终数据集中。
document_simhash_deduplicator	文档去重（SimHash）	Deduplicator	用于在文档级别使用SimHash对样本进行去重。
frequency_specified_field_selector	排序频率选择器	Selector	用于根据指定字段的排序频率选择样本。
random_selector	随机样本选择器	Selector	用于随机对样本进行选择。
range_specified_field_selector	排序范围选择器	Selector	用于根据指定字段值从小到大的排序范围选择样本。
topk_specified_field_selector	前部样本的选择器	Selector	根据排序后的指定字段值选择前几名样本。
annotate_edu_train_bert_scorer_mapper	教学评估打分	Mapper	使用 Qwen2.5-14b 模型，对一部分文本进行教育价值评估，给出0-5分的打分结果
text_high_score_filter	打分数据筛选	Filter	筛选出分数大于3分的数据
text_bloom_filter	数据bloom过滤去重	Filter	使用 bloom 过滤器对数据集进行去重
make_cosmopedia_mapper	风格数据合成	Mapper	读取种子数据，将每一条种子数据作为topic，由prompt模板指定风格和体裁，然后交给 vllm 中的模型，生成指定风格的合成数据。
pipeline_magpie_zh_mapper	相似去重	Mapper	使用 deepseek-v2.5 或 qwen2.5 模型，根据人工设计的对应多种任务的 system_prompt，生成多轮对话数据
gather_generated_data_filter	数据聚合生成	Filter	聚合上一步中生成的数据，初步清洗，保存为一个文件
encode_and_get_nearest_mapper	数据样本向量编码搜索	Mapper	使用 gte-large-zh 模型对每条对话数据的第一个 user_query 编码为嵌入向量，并按照余弦相似度查找距离最近的样本
dedup_and_save_deduplicator_deduplicator	多轮对话生成	Deduplicator	根据查找结果，去重（每个相似集合只随机保留一条）。最后按任务类型保存为不同文件