feat(deepdata): 引入修改密码、文件预览组件与清洗算子增强，deepflow 改名为 deep-flow
本次同步 09-12 至 09-28 的代码变更，主要内容： 新增功能 - 修改密码：后端新增 ChangePasswordRequest DTO 与UserController/UserService 对应接口，前端新增 ChangePasswordDialog 并在 Header 接入入口 - 文件预览组件重构：file-preview 目录拆分出 VideoPreview（支持 blobUrl 直传）、 ImagePreview、AudioPreview，index.tsx 统一调度各类型预览器 - 新增 my_ops 算子模块：markitdown_parser、mineru_pdf_parser、text_quality_evaluator - 新增 tools/minio-file-server MinIO 文件服务 功能增强 - 数据清洗：cleaning_task_service/scheduler/routes 重构， data_juicer_executor 与 wrapper 增强，OperatorTable/LogsTable/TaskDetail 同步调整 - 数据标注：annotation sync.py、project.py 接口与schema 更新 - 数据采集、算子市场、首页与菜单路由相关页面调整 - DataJuicer 算子接入（useOperatorOperations、dj_ops_schema） 结构调整 - deepflow/ 更名为 deep-flow/（419 个文件重命名） - 新增 helm 部署编排、GitHub Actions 之外的自建镜像构建脚本 未纳入本次提交 - scripts-backup/、runtime/python-executor-backup/、components_backup/（备份目录） - *.backup*、__pycache__ 产物 - zh_core_web_sm-3.8.0-py3-none-any.whl（46MB 构建产物） - DataX/（内嵌独立仓库，远程亦未收录其源码）
This commit is contained in:
沃巴蒂
@@ -1,47 +1,47 @@
|
||||
#!/user/bin/python
|
||||
# -*- coding: utf-8 -*-
|
||||
|
||||
"""
|
||||
Description: 全角转半角
|
||||
Create: 2025/01/13
|
||||
"""
|
||||
import time
|
||||
from typing import Dict, Any
|
||||
|
||||
from loguru import logger
|
||||
|
||||
from deepdata.core.base_op import Mapper
|
||||
|
||||
|
||||
class FullWidthCharacterCleaner(Mapper):
|
||||
"""将文档中的所有全角字符转换成半角字符"""
|
||||
|
||||
def __init__(self, *args, **kwargs):
|
||||
super().__init__(*args, **kwargs)
|
||||
self._full_to_half_dict = {
|
||||
'＂': '"', '＃': '#', '＄': '$', '％': '%', '＆': '&', '＇': "'", '＊': '*', '＋': '+',
|
||||
'－': '-', '．': '.', '／': '/', '０': '0', '１': '1', '２': '2', '３': '3', '４': '4',
|
||||
'５': '5', '６': '6', '７': '7', '８': '8', '９': '9', '＜': '<', '＝': '=', '＞': '>',
|
||||
'＠': '@', 'Ａ': 'A', 'Ｂ': 'B', 'Ｃ': 'C', 'Ｄ': 'D', 'Ｅ': 'E', 'Ｆ': 'F', 'Ｇ': 'G',
|
||||
'Ｈ': 'H', 'Ｉ': 'I', 'Ｊ': 'J', 'Ｋ': 'K', 'Ｌ': 'L', 'Ｍ': 'M', 'Ｎ': 'N', 'Ｏ': 'O',
|
||||
'Ｐ': 'P', 'Ｑ': 'Q', 'Ｒ': 'R', 'Ｓ': 'S', 'Ｔ': 'T', 'Ｕ': 'U', 'Ｖ': 'V', 'Ｗ': 'W',
|
||||
'Ｘ': 'X', 'Ｙ': 'Y', 'Ｚ': 'Z', '［': '[', '＼': '\\', '］': ']', '＾': '^', '＿': '_',
|
||||
'｀': '`', 'ａ': 'a', 'ｂ': 'b', 'ｃ': 'c', 'ｄ': 'd', 'ｅ': 'e', 'ｆ': 'f', 'ｇ': 'g',
|
||||
'ｈ': 'h', 'ｉ': 'i', 'ｊ': 'j', 'ｋ': 'k', 'ｌ': 'l', 'ｍ': 'm', 'ｎ': 'n', 'ｏ': 'o',
|
||||
'ｐ': 'p', 'ｑ': 'q', 'ｒ': 'r', 'ｓ': 's', 'ｔ': 't', 'ｕ': 'u', 'ｖ': 'v', 'ｗ': 'w',
|
||||
'ｘ': 'x', 'ｙ': 'y', 'ｚ': 'z', '｛': '{', '｜': '|', '｝': '}', '～': '~'
|
||||
}
|
||||
|
||||
def execute(self, sample: Dict[str, Any]) -> Dict[str, Any]:
|
||||
start = time.time()
|
||||
self.read_file_first(sample)
|
||||
sample[self.text_key] = self._full_width_character_filter(sample[self.text_key])
|
||||
logger.info(f"fileName: {sample[self.filename_key]}, "
|
||||
f"method: FullWidthCharactersCleaner costs {time.time() - start:6f} s")
|
||||
return sample
|
||||
|
||||
def _full_width_character_filter(self, input_data: str):
|
||||
res = []
|
||||
for input_str in input_data.split('\n'):
|
||||
res.append("".join(self._full_to_half_dict.get(char, char) for char in input_str))
|
||||
return '\n'.join(res)
|
||||
#!/user/bin/python␍
|
||||
# -*- coding: utf-8 -*-␍
|
||||
␍
|
||||
"""␍
|
||||
Description: 全角转半角␍
|
||||
Create: 2025/01/13␍
|
||||
"""␍
|
||||
import time␍
|
||||
from typing import Dict, Any␍
|
||||
␍
|
||||
from loguru import logger␍
|
||||
␍
|
||||
from deepdata.core.base_op import Mapper␍
|
||||
␍
|
||||
␍
|
||||
class FullWidthCharacterCleaner(Mapper):␍
|
||||
"""将文档中的所有全角字符转换成半角字符"""␍
|
||||
␍
|
||||
def __init__(self, *args, **kwargs):␍
|
||||
super().__init__(*args, **kwargs)␍
|
||||
self._full_to_half_dict = {␍
|
||||
'＂': '"', '＃': '#', '＄': '$', '％': '%', '＆': '&', '＇': "'", '＊': '*', '＋': '+',␍
|
||||
'－': '-', '．': '.', '／': '/', '０': '0', '１': '1', '２': '2', '３': '3', '４': '4',␍
|
||||
'５': '5', '６': '6', '７': '7', '８': '8', '９': '9', '＜': '<', '＝': '=', '＞': '>',␍
|
||||
'＠': '@', 'Ａ': 'A', 'Ｂ': 'B', 'Ｃ': 'C', 'Ｄ': 'D', 'Ｅ': 'E', 'Ｆ': 'F', 'Ｇ': 'G',␍
|
||||
'Ｈ': 'H', 'Ｉ': 'I', 'Ｊ': 'J', 'Ｋ': 'K', 'Ｌ': 'L', 'Ｍ': 'M', 'Ｎ': 'N', 'Ｏ': 'O',␍
|
||||
'Ｐ': 'P', 'Ｑ': 'Q', 'Ｒ': 'R', 'Ｓ': 'S', 'Ｔ': 'T', 'Ｕ': 'U', 'Ｖ': 'V', 'Ｗ': 'W',␍
|
||||
'Ｘ': 'X', 'Ｙ': 'Y', 'Ｚ': 'Z', '［': '[', '＼': '\\', '］': ']', '＾': '^', '＿': '_',␍
|
||||
'｀': '`', 'ａ': 'a', 'ｂ': 'b', 'ｃ': 'c', 'ｄ': 'd', 'ｅ': 'e', 'ｆ': 'f', 'ｇ': 'g',␍
|
||||
'ｈ': 'h', 'ｉ': 'i', 'ｊ': 'j', 'ｋ': 'k', 'ｌ': 'l', 'ｍ': 'm', 'ｎ': 'n', 'ｏ': 'o',␍
|
||||
'ｐ': 'p', 'ｑ': 'q', 'ｒ': 'r', 'ｓ': 's', 'ｔ': 't', 'ｕ': 'u', 'ｖ': 'v', 'ｗ': 'w',␍
|
||||
'ｘ': 'x', 'ｙ': 'y', 'ｚ': 'z', '｛': '{', '｜': '|', '｝': '}', '～': '~'␍
|
||||
}␍
|
||||
␍
|
||||
def execute(self, sample: Dict[str, Any]) -> Dict[str, Any]:␍
|
||||
start = time.time()␍
|
||||
self.read_file_first(sample)␍
|
||||
sample[self.text_key] = self._full_width_character_filter(sample[self.text_key])␍
|
||||
logger.info(f"fileName: {sample[self.filename_key]}, "␍
|
||||
f"method: FullWidthCharactersCleaner costs {time.time() - start:.6f} s")␍
|
||||
return sample␍
|
||||
␍
|
||||
def _full_width_character_filter(self, input_data: str):␍
|
||||
res = []␍
|
||||
for input_str in input_data.split('\n'):␍
|
||||
res.append("".join(self._full_to_half_dict.get(char, char) for char in input_str))␍
|
||||
return '\n'.join(res)␍
|
||||
|
||||
Reference in New Issue
Block a user