【使用huggingface-cli下载github_code中的CSS/html等需要的数据】

## 出发点

作者发布的代码经久未修,现在已经有了问题,无法选择指定的语言、指定的license进行下载

## 安装依赖

pip install 'huggingface_hub[cli]'

## 下载代码

import pandas as pd

# 筛选数据
langs = ['css',
 'html',
 'html+ecr',
 'html+php',
 'html+razor',
 'html+eex',
 'html+erb',
 'sass',
 'scss']

# 数据提取
def process_data(path:str):
    data = pd.read_parquet(path)

    valid_data = []
    metadata = {}
    for idx, row_data in data.iterrows():
        ext = os.path.basename(row_data['path']).rsplit(".", 1)[-1].lower()
        if ext not in metadata:
            metadata[ext] = 1
        else:
            metadata[ext] += 1

        if ext in langs:
            valid_data.append(
                {'repo_name':row_data['repo_name'],'path':row_data['path'],'content':row_data['content']}
            )
    del data
    
    return valid_data, metadata
import subprocess
import json
from tqdm import tqdm
import time
import os

command = 'huggingface-cli download --resume-download codeparrot/github-code --include "*/{file_name}.parquet" --repo-type dataset  --local-dir github_code'

os.makedirs('github_code/contents', exist_ok=True)
os.makedirs('github_code/infos', exist_ok=True)

with tqdm(range(400)) as pbar:  # 1127
    for idx in pbar:
        file_name = f"train-{idx:05}-of-01126"

        pbar.set_description(f'Download {idx}')
        # 下载数据
        run_command = command.format(file_name=file_name)
        process = subprocess.Popen(
            run_command, 
            stdout=subprocess.PIPE,
            stderr=subprocess.STDOUT,
            shell=True
        )
        ## 等待子进程退出并获取返回码  
        process.communicate()
        exit_code = process.returncode
        # print(f"状态 {exit_code} ({run_command})")

        metadata = {}
        if exit_code==0:
            # 处理数据
            pbar.set_description(f'Process {idx}')
            valid_data, metadata = process_data(f'./github_code/data/{file_name}.parquet')

            # 保存数据
            pbar.set_description(f'Save {idx}')
            with open(f'./github_code/contents/{file_name}.json', 'w', encoding='utf-8') as f:
                json.dump(valid_data, f, ensure_ascii=False)
        
        with open(f'./github_code/infos/{file_name}.json', 'w', encoding='utf-8') as f:
            json.dump(
                {'exit_code':exit_code, 'run_command':run_command, 'metadata':metadata}, 
                f, ensure_ascii=False, indent=4
            )

        # 删除对应的文件
        os.remove(f'github_code/data/{file_name}.parquet')

## 监控 

# 查看网络流量

$ watch more /proc/net/dev

# 查看cpu使用情况

$ top

  • 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

放飞自我的Coder

你的鼓励很棒棒哦~

¥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