沃巴蒂
ff22ed3a8b
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）
56 lines
2.3 KiB
Python
56 lines
2.3 KiB
Python
#!/user/bin/python
|
|
|
|
# -*- coding: utf-8 -*-
|
|
|
|
|
|
|
|
"""
|
|
|
|
Description:
|
|
|
|
本插件实现将文档中乱码去除功能
|
|
|
|
实现逻辑：
|
|
|
|
1. 正则判断该字符的unicode编码是否在乱码范围内。若在范围内，则去除，不在范围内，则保留。
|
|
|
|
2. 运行前，加载乱码字符范围的配置文件，即charset.json。该json文件中，key为字符集名称，value为unicode编码范围的集合。
|
|
|
|
|
|
|
|
Create: 2025/01/13
|
|
|
|
"""
|
|
|
|
import json
|
|
|
|
import re
|
|
|
|
import time
|
|
|
|
from pathlib import Path
|
|
|
|
from typing import Dict, Any
|
|
|
|
|
|
|
|
from loguru import logger
|
|
|
|
|
|
|
|
from deepdata.core.base_op import Mapper
|
|
|
|
|
|
|
|
|
|
|
|
class GrableCharactersCleaner(Mapper):
|
|
|
|
def __init__(self, *args, **kwargs):
|
|
|
|
super().__init__(*args, **kwargs)
|
|
|
|
self._file_path = str(Path(__file__).parent / 'resources' / 'charset.json')
|
|
|
|
self.unicode_grable_code_list = self.get_unicode_grable_code_list() # 乱码unicode编码的十进制范围的集合
|
|
|
|
self.grable_re_compile = re.compile("[" + self.unicode_grable_code_list + "]")
|
|
|
|
|
|
|
|
def get_unicode_grable_code_list(self):
|
|
|
|
"""获取乱码unicode编码范围"""
|
|
|
|
res = ""
|
|
|
|
with open(self._file_path, 'r', encoding='utf-8') as f:
|
|
|
|
charset_number_list = json.load(f)
|
|
|
|
for number_ranges in charset_number_list.values():
|
|
|
|
for number_range in number_ranges:
|
|
|
|
number_range_list = number_range.split(",")
|
|
|
|
if len(number_range_list) < 2:
|
|
|
|
logger.error(f"number_range_list size is {len(number_range_list)}, formatting error")
|
|
|
|
continue
|
|
|
|
res += number_range_list[0] + "-" + number_range_list[1]
|
|
|
|
return res
|
|
|
|
|
|
|
|
def execute(self, sample: Dict[str, Any]) -> Dict[str, Any]:
|
|
|
|
start = time.time()
|
|
|
|
self.read_file_first(sample)
|
|
|
|
sample[self.text_key] = self._grable_characters_filter(sample[self.text_key])
|
|
|
|
logger.info(
|
|
|
|
f"fileName: {sample[self.filename_key]}, method: GrableCharactersCleaner costs {time.time() - start:.6f} s")
|
|
|
|
return sample
|
|
|
|
|
|
|
|
def _grable_characters_filter(self, input_data: str):
|
|
|
|
"""去除文档中的乱码"""
|
|
|
|
return self.grable_re_compile.sub("", input_data)
|
|
|