[论文笔记] DCLM 分长度区间进行长文本抽取

import os
import zstandard as zstd
import json
import io
import multiprocessing
from tqdm import tqdm

# 定义根目录路径
root_dir = "dclm-baseline-1.0"
output_base_dir = "dclm"  # 输出的基准路径

# 定义长度区间 (字符数)
length_ranges = {
    "dclm_16k": (8000, 16000),
    "dclm_32k": (16000, 32000),
    "dclm_64k": (32000, 64000),
    "dclm_128k": (64000, 128000)
}

# 处理函数
def process_file(file_path):
    relative_dir = os.path.relpath(file_path, root_dir)
    relative_dir = relative_dir.replace(os.path.basename(file_path), "")
    with open(file_path, 'rb') as f:
        dctx = zstd.ZstdDecompressor()
        with dctx.stream_reader(f) as reader:
            text_stream = io.TextIOWrapper(reader, encoding='utf-8')
            for line in text_stream:
                record = json.loads(line)
                text_length = len(record['text'])
                
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

心心喵

喵喵(*^▽^*)

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值