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:
- 从文本文件中读取需要过滤的URL列表
- 使用tldextract库解析URL的各个组成部分
- 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
-
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
-
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
-
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
-
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
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0267cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.93 K

deepin linux kernel
C
22
6

React Native鸿蒙化仓库
C++
192
274

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

🎉 (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
930
553

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

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
423
392

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66

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
1.11 K
0

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
64
511