数据集配置指南#

本指南概述了如何在 Data-Juicer 框架中使用 YAML 格式配置数据集。允许您指定本地和远程数据集以及数据验证规则。

支持的数据集格式#

本地数据集#

local_json.yaml 配置文件用于指定以 JSON 格式本地存储的数据集。path 是必需的，用于指定本地数据集路径，可以是单个文件或目录。format 是可选的，用于指定数据集格式。 对于本地文件，DJ 将自动检测文件格式并相应地加载数据集。支持 parquet、jsonl、json、csv、tsv、txt 和 jsonl.gz 等格式 有关更多详细信息，请参阅 local_json.yaml。

dataset:
  configs:
    - type: local
      path: path/to/your/local/dataset.json
      format: json

dataset:
  configs:
    - type: local
      path: path/to/your/local/dataset.parquet
      format: parquet

Remote Huggingface 数据集#

remote_huggingface.yaml 配置文件用于指定 huggingface 数据集。type 和 source 固定为 'remote' 和 'huggingface'，以定位 huggingface 加载逻辑。path 是必需的，用于标识 huggingface 数据集。name、split 和 limit 是可选的，用于指定数据集名称/拆分并限制要加载的样本数量。 更多详细信息请参阅 remote_huggingface.yaml。

dataset:
  configs:
    - type: 'remote'
      source: 'huggingface'
      path: "HuggingFaceFW/fineweb"
      name: "CC-MAIN-2024-10"
      split: "train"
      limit: 1000

远程 Arxiv 数据集#

remote_arxiv.yaml 配置文件用于指定以 JSON 格式远程存储的数据集。type 和 source 固定为 'remote' 和 'arxiv'，以定位 arxiv 加载逻辑。 lang、dump_date、force_download 和 url_limit 是可选的，用于指定数据集语言、转储日期、强制下载和 URL 限制。 有关更多详细信息，请参阅 remote_arxiv.yaml。

dataset:
  configs:
    - type: 'remote'
      source: 'arxiv'
      lang: 'en'
      dump_date: 'latest'
      force_download: false
      url_limit: 2

其他支持的数据集格式#

有关更多详细信息和支持的数据集格式，请参阅 load_strategy.py。

其他功能#

数据混合#

mixture.yaml 配置文件演示了如何指定数据混合规则。DJ 将通过对数据集的一部分进行采样并应用适当的权重来混合数据集。 有关更多详细信息，请参阅 mixture.yaml。

dataset:
  max_sample_num: 10000
  configs:
    - type: 'local'
      weight: 1.0
      path: 'path/to/json/file'
    - type: 'local'
      weight: 1.0
      path: 'path/to/csv/file'

数据验证#

validator.yaml 配置文件演示了如何指定数据验证规则。DJ 将通过对数据集的一部分进行采样并应用验证规则来验证数据集。 有关更多详细信息和支持的验证器，请参阅 data_validator.py。

dataset:
  configs:
    - type: local
      path: path/to/data.json

validators:
  - type: swift_messages
    min_turns: 2
    max_turns: 20
    sample_size: 1000
  - type: required_fields
    required_fields:
      - "text"
      - "metadata"
      - "language"
    field_types:
      text: "str"
      metadata: "dict"
      language: "str"

JSONL 样本级容错（跳过坏行）#

若少数行损坏、或整行无法被 HF/ujson 解析，可使用 宽松 JSONL 加载：用标准库逐行 json.loads，解析失败 仅跳过该行 并打日志，其余样本照常进入流水线（下游算子仍面对与普通 JSONL 一致的 datasets.Dataset）。

启用方式（二选一）：

load_jsonl_lenient: true

DATA_JUICER_JSONL_LENIENT=1 dj-process --config path/to/config.yaml

限制：

  • 只会读 .jsonl / .jsonl.gz / .jsonl.zst；同目录下其它后缀（如 .json）会被 跳过 并打警告，不再 整体回退到 HF/ujson（避免再次出现 Value is too big!）。需要时可设 suffixes: ['.jsonl']。

  • 适合 DefaultExecutor 本地 jsonl；与 Parquet 无关。

  • 跳过的行请搜日志前缀 [lenient jsonl]。

JSON / JSONL 加载报错 Value is too big!#

本地 JSONL 由 HuggingFace datasets 解析时可能走 ujson；若某条样本里含有 超出 ujson 表示范围的整数（例如极长的数字型 ID），会报错 ValueError: Value is too big!。这与单行文本长短无关，多半是 数字字段 问题。

处理方式：

  1. 推荐（无需改数据）：在运行前设置环境变量，让解析改走 CPython 标准库 json：

    DATA_JUICER_USE_STDLIB_JSON=1 dj-process --config path/to/config.yaml

  2. 从源头规避：把易超大的字段导出为 字符串（JSON 里加引号），再生成 JSONL。

  3. 换一种格式：例如改为 Parquet，由 Arrow 读入，不经过该 JSON 路径。

旧版 dataset_path 配置#

dataset_path 配置是指定数据集路径的历史版本方式。它简单易用，但缺乏灵活性。它可以在 yaml 或命令行输入中使用。一些示例：

命令行输入：

# 命令行输入
dj-process --dataset_path path/to/your/dataset.json

# 带权重的命令行输入
dj-process --dataset_path 0.5 path/to/your/dataset1.json 0.5 path/to/your/dataset2.json

Yaml 输入：

dataset_path：path/to/your/dataset.json