DataTrove简介
DataTrove是Hugging Face开源的一个强大的文本数据处理库,专门用于大规模处理、过滤和去重文本数据。它提供了一系列预构建的常用处理模块,以及一个易于添加自定义功能的框架,使得处理海量文本数据变得简单高效。
DataTrove的处理流水线设计跨平台兼容,可以在本地机器或Slurm集群上无缝运行。其相对较低的内存占用和多步骤设计非常适合处理大规模工作负载,比如处理LLM的训练数据。通过fsspec,DataTrove还支持本地、远程和其他文件系统。
主要特性
-
大规模处理能力: 专为处理TB级数据设计,可以高效地处理和过滤海量文本数据。
-
模块化设计: 提供了一系列预构建的处理模块,包括读取器、写入器、提取器、过滤器等,可以灵活组合。
-
跨平台兼容: 同一个处理流水线可以在本地机器或Slurm集群上无缝运行。
-
低内存占用: 采用流式处理和多步骤设计,即使在处理海量数据时也能保持较低的内存占用。
-
易于扩展: 提供了清晰的接口用于添加自定义功能模块。
-
多种文件系统支持: 通过fsspec支持本地、S3、HDFS等多种文件系统。
-
丰富的统计功能: 内置了多种统计模块,可以方便地收集数据集的各种统计信息。
安装方法
DataTrove的安装非常简单,只需使用pip即可:
pip install datatrove[FLAVOUR]
其中FLAVOUR可以是以下选项(可以用逗号组合):
all
: 安装所有依赖io
: 安装读取warc/arc/wet文件和arrow/parquet格式的依赖processing
: 安装用于文本提取、过滤和分词的依赖s3
: 安装S3支持cli
: 安装命令行工具
例如,要安装所有功能:
pip install datatrove[all]
快速入门
DataTrove提供了多个示例来帮助用户快速上手:
-
fineweb.py: 完整重现FineWeb数据集的处理流程。
-
process_common_crawl_dump.py: 完整的流水线示例,用于读取CommonCrawl的warc文件,提取文本内容,过滤并将结果保存到S3。在Slurm上运行。
-
tokenize_c4.py: 直接从Hugging Face的hub读取数据,使用gpt2分词器对C4数据集的英文部分进行分词。
-
minhash_deduplication.py: 使用MinHash算法对文本数据进行去重的完整流水线示例。
-
sentence_deduplication.py: 在句子级别进行精确去重的示例。
这些示例涵盖了DataTrove的主要使用场景,可以帮助用户快速理解和上手使用DataTrove进行大规模文本数据处理。
核心概念
在深入了解DataTrove的使用之前,我们需要先理解一些核心概念:
-
pipeline: 要执行的处理步骤列表(读取数据、过滤、写入磁盘等)。
-
executor: 在特定执行环境(Slurm、多CPU机器等)上运行特定pipeline的执行器。
-
job: 在给定executor上执行pipeline的过程。
-
task: 一个job由多个task组成,用于并行执行。通常每个task处理一个数据分片。
-
file: 单个输入文件(.json、.csv等)。
-
shard: 输入数据的分组(通常是一组文件),会被分配给特定的task处理。
-
worker: 执行单个task的计算资源。
了解这些概念有助于我们更好地设计和优化数据处理流程。
处理流水线
DataTrove的核心是其处理流水线(pipeline)。每个pipeline由一系列处理模块(block)组成,每个模块处理Document格式的数据:
class Document:
text: str # 每个样本的实际文本内容
id: str # 该样本的唯一ID
metadata: dict # 存储任何额外信息的字典
流水线模块类型
DataTrove提供了多种类型的处理模块:
- readers: 从不同格式读取数据并生成Document
- writers: 将Document保存到磁盘/云端
- extractors: 从原始格式(如网页HTML)中提取文本内容
- filters: 基于特定规则/标准过滤(删除)某些Document
- stats: 收集数据集统计信息的模块
- tokens: 用于分词或计算token的模块
- dedup: 用于去重的模块
示例流水线
下面是一个简单的流水线示例,它从磁盘读取数据,随机过滤一些文档,然后将结果写回磁盘:
from datatrove.pipeline.readers import CSVReader
from datatrove.pipeline.filters import SamplerFilter
from datatrove.pipeline.writers import JsonlWriter
pipeline = [
CSVReader(
data_folder="/my/input/path"
),
SamplerFilter(rate=0.5),
JsonlWriter(
output_folder="/my/output/path"
)
]
执行器
DataTrove的流水线设计是平台无关的,这意味着同一个流水线可以在不同的执行环境中无缝运行。每种环境都有自己的PipelineExecutor。
LocalPipelineExecutor
这个执行器会在本地机器上启动流水线。主要选项包括:
tasks
: 要运行的总任务数workers
: 同时运行多少个任务start_method
: 用于生成多进程Pool的方法
示例:
from datatrove.executor import LocalPipelineExecutor
executor = LocalPipelineExecutor(
pipeline=[
...
],
logging_dir="logs/",
tasks=10,
workers=5
)
executor.run()
SlurmPipelineExecutor
这个执行器会在Slurm集群上启动流水线,使用Slurm作业数组来管理任务。主要选项包括:
tasks
: 要运行的总任务数time
: Slurm时间限制字符串partition
: Slurm分区workers
: 同时运行多少个任务job_name
: Slurm作业名称
示例:
from datatrove.executor import SlurmPipelineExecutor
executor = SlurmPipelineExecutor(
pipeline=[
...
],
job_name="my_cool_job",
logging_dir="logs/job1",
tasks=500,
workers=100,
time="10:00:00",
partition="hopper-cpu"
)
executor.run()
实用指南
读取数据
通常,流水线会以Reader模块开始。大多数读取器都接受一个data_folder
参数,指定包含要读取数据的文件夹路径。这些文件会被分配给各个任务处理。
常见的Reader选项包括:
text_key
: 包含每个样本文本内容的字典键id_key
: 包含每个样本ID的字典键default_metadata
: 要添加的默认元数据值字典recursive
: 是否递归查找data_folder
的子目录glob_pattern
: 用于匹配特定文件的模式limit
: 只读取特定数量的样本(用于测试/调试)
提取文本
可以使用extractor模块从原始HTML中提取文本内容。DataTrove中最常用的提取器是Trafilatura,它使用trafilatura库进行文本提取。
过滤数据
Filter模块是任何数据处理流水线中最重要的模块之一。DataTrove的过滤器模块接受一个Document并返回一个布尔值(True保留文档,False删除)。被删除的样本不会继续进入下一个流水线阶段。
保存数据
处理完数据后,您可能想将其保存到某处。可以使用Writer模块来实现这一点。Writer需要一个output_folder
参数(指定保存数据的路径)。您可以选择使用的compression
(默认为gzip)和保存每个文件的文件名。
去重数据
DataTrove提供了多种去重方法,包括MinHash去重、句子级精确去重等。您可以查看相关示例来了解如何使用这些功能。
统计摘要
DataTrove提供了强大的统计功能,可以轻松收集数据集的各种统计信息。这是一个两步过程:
- 对每个分片迭代文档,收集统计信息。
- 将不同分片的统计信息合并到一个文件中。
可用的统计信息包括文档长度、空白字符比例、非字母数字字符比例、数字比例、大写字母比例等多种指标。
自定义模块
DataTrove提供了灵活的方式来添加自定义处理模块:
-
简单数据: 可以直接将Document的迭代器作为流水线块传递。
-
自定义函数: 可以传入一个具有特定签名的自定义函数。
-
自定义模块: 可以定义一个继承自PipelineStep或其子类的完整模块。
这些选项使得DataTrove可以轻松扩展以满足各种特定需求。
结语
DataTrove是一个功能强大、灵活且易于使用的大规模文本数据处理库。它为处理LLM训练数据等大规模工作负载提供了理想的解决方案。通过其模块化设计和跨平台兼容性,DataTrove可以显著简化数据处理流程,提高效率。
无论您是在处理网络爬虫数据、构建大规模语言模型的训练集,还是进行其他文本数据相关的任务,DataTrove都能为您提供强大的支持。我们鼓励您尝试使用DataTrove,探索其丰富的功能,并根据您的具体需求进行定制。
DataTrove是开源项目,欢迎社区贡献。如果您有任何问题、建议或想要贡献代码,请访问DataTrove的GitHub仓库。让我们一起推动大规模文本数据处理技术的发展!