首页
/ 使用datatrove的LambdaFilter过滤URL列表

使用datatrove的LambdaFilter过滤URL列表

2025-07-02 23:43:03作者:冯爽妲Honey

在数据处理流程中,我们经常需要对包含URL的文档进行过滤。datatrove项目提供了一个灵活的LambdaFilter组件,可以方便地实现这一功能。

核心思路

datatrove的LambdaFilter允许我们通过自定义函数来实现复杂的过滤逻辑。对于URL过滤场景,我们可以:

  1. 从文本文件中读取需要过滤的URL列表
  2. 使用tldextract库解析URL的各个组成部分
  3. 将文档中的URL与过滤列表进行比对

实现方案

from datatrove.data import Document
from datatrove.executor.local import LocalPipelineExecutor
from datatrove.pipeline.filters.lambda_filter import LambdaFilter
from tldextract import TLDExtract

def create_url_filter(url_list_file):
    """创建基于URL列表的过滤器
    
    Args:
        url_list_file: 包含需要过滤URL的文本文件路径
    """
    with open(url_list_file, "r") as f:
        urls = f.read().splitlines()
        tldextractor = TLDExtract()

    def filter_func(doc: Document):
        """实际的过滤函数"""
        url = doc.metadata.get("url")
        if not url:
            raise ValueError("文档元数据中缺少URL信息")
            
        url_info = tldextractor(url)
        return url_info.fqdn not in urls

    return filter_func

使用示例

# 示例文档列表
sample_docs = [
    Document(
        metadata={"text": "示例1", "url": "https://example.com"},
        text="示例内容1",
        id="1"
    ),
    Document(
        metadata={"text": "示例2", "url": "https://test.org"}, 
        text="示例内容2",
        id="2"
    )
]

# 创建并执行管道
LocalPipelineExecutor([
    lambda x,y,z: sample_docs,  # 数据输入
    LambdaFilter(create_url_filter("filter_urls.txt"))  # URL过滤
]).run()

技术要点

  1. tldextract库:用于准确解析URL的各个部分(域名、后缀等),比简单的字符串匹配更可靠

  2. 闭包技巧:使用函数嵌套来缓存URL列表和解析器实例,避免重复加载

  3. 错误处理:检查文档是否包含必要的URL元数据,避免运行时错误

  4. 灵活性:可以轻松调整过滤逻辑,例如支持通配符或正则表达式匹配

扩展应用

这种方法不仅适用于URL过滤,稍作修改后可以用于:

  • 基于域名的内容分类
  • 特定网站的内容提取
  • 垃圾内容过滤
  • 数据来源分析

通过datatrove的管道机制,这种过滤器可以方便地与其他数据处理步骤组合,构建完整的数据处理流程。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
178
262
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
866
513
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
183
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
261
302
kernelkernel
deepin linux kernel
C
22
5
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
598
57
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K