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）
31 lines
1.0 KiB
Python
31 lines
1.0 KiB
Python
#!/user/bin/python
|
|
|
|
# -*- coding: utf-8 -*-
|
|
|
|
|
|
|
|
"""
|
|
|
|
Description: 空格标准化
|
|
|
|
Create: 2025/01/15
|
|
|
|
"""
|
|
|
|
import re
|
|
|
|
import time
|
|
|
|
from typing import Dict, Any
|
|
|
|
|
|
|
|
from loguru import logger
|
|
|
|
|
|
|
|
from deepdata.core.base_op import Mapper
|
|
|
|
|
|
|
|
|
|
|
|
class UnicodeSpaceCleaner(Mapper):
|
|
|
|
@classmethod
|
|
|
|
def _clean_unicode_space(cls, input_data: str):
|
|
|
|
"""将文档中不同的 unicode 空格，如 u2008，转换为正常空格（半角空格）"""
|
|
|
|
white_space_pattern = '[\u00A0 \u1680 \u2000-\u200D \u2028-\u2029 \u202F \u205F \u3000 \u180E \u2060 \uFEFF]'
|
|
|
|
return re.compile(white_space_pattern).sub('\u0020', input_data)
|
|
|
|
|
|
|
|
def execute(self, sample: Dict[str, Any]) -> Dict[str, Any]:
|
|
|
|
start = time.time()
|
|
|
|
self.read_file_first(sample)
|
|
|
|
sample[self.text_key] = self._clean_unicode_space(sample[self.text_key])
|
|
|
|
logger.info(
|
|
|
|
f"fileName: {sample[self.filename_key]}, method: UnicodeSpaceCleaner costs {time.time() - start:.6f} s")
|
|
|
|
return sample
|
|
|