Datatrove项目中使用Minhash进行文本去重的最佳实践
2025-07-02 21:42:34作者:滕妙奇
概述
在自然语言处理和大规模文本数据处理中,数据去重是一个至关重要的预处理步骤。Datatrove作为一个强大的数据处理工具库,提供了基于Minhash算法的文本去重功能。本文将详细介绍如何在Datatrove项目中正确配置和使用Minhash去重流程,特别是针对本地执行环境中的常见问题解决方案。
Minhash去重原理简介
Minhash是一种高效的近似文本相似度计算方法,特别适合大规模数据集。它通过将文本内容转化为固定长度的签名(signature),然后比较这些签名来估计文本之间的相似度。Datatrove实现了完整的Minhash去重流程,包括四个主要阶段:
- 签名计算阶段:为每个文本生成Minhash签名
- 桶处理阶段:将相似签名分组到桶中
- 聚类阶段:识别重复文本簇
- 过滤阶段:移除重复文本
本地执行环境配置
在本地环境中使用Datatrove进行Minhash去重时,需要注意Python多进程编程的特殊要求。特别是当使用LocalPipelineExecutor
时,必须确保主模块的正确结构:
if __name__ == "__main__":
# 你的管道配置和执行代码
这种结构是必要的,因为Python的多进程模块需要在主程序中正确初始化。缺少这个保护会导致常见的"RuntimeError: An attempt has been made to start a new process..."错误。
完整配置示例
以下是一个完整的本地执行配置示例,包含了所有必要的参数和阶段配置:
from datatrove.executor import LocalPipelineExecutor
from datatrove.pipeline.dedup import MinhashDedupSignature
from datatrove.pipeline.readers import HuggingFaceDatasetReader
from datatrove.pipeline.dedup.minhash import (
MinhashConfig,
MinhashDedupBuckets,
MinhashDedupCluster,
MinhashDedupFilter,
)
from datatrove.pipeline.writers.jsonl import JsonlWriter
from datatrove.utils.hashing import HashConfig
from datatrove.utils.typeshelper import Languages
# Minhash算法配置
minhash_config = MinhashConfig(
hash_config=HashConfig(precision=64), # 哈希精度
num_buckets=14, # 桶数量
hashes_per_bucket=8, # 每个桶的哈希数量
)
# 本地路径配置
LOCAL_PATH = "数据存储路径"
LOCAL_LOGS_PATH = f"{LOCAL_PATH}/logs"
TOTAL_TASKS = 100 # 总任务数
if __name__ == "__main__":
# 第一阶段:计算签名
stage1 = LocalPipelineExecutor(
pipeline=[
HuggingFaceDatasetReader("数据集名称", {"split": "train"}, text_key="text"),
MinhashDedupSignature(
output_folder=f"{LOCAL_PATH}/signatures",
config=minhash_config,
language=Languages.english
),
],
tasks=TOTAL_TASKS,
workers=TOTAL_TASKS,
logging_dir=f"{LOCAL_LOGS_PATH}/signatures",
)
# 后续阶段配置...
# 执行管道
stage1.run()
关键配置参数解析
-
MinhashConfig:
hash_config.precision
: 控制哈希精度,值越高碰撞概率越低num_buckets
: 影响去重精度和性能的平衡hashes_per_bucket
: 每个桶使用的哈希函数数量
-
执行器配置:
tasks
: 控制并行处理的任务数量workers
: 实际工作进程数logging_dir
: 日志存储路径
性能优化建议
- 根据硬件资源合理设置
tasks
和workers
参数 - 对于大型数据集,适当增加
num_buckets
可以提高去重精度 - 监控内存使用情况,必要时调整
hashes_per_bucket
参数 - 使用高性能存储介质存放中间结果,特别是签名和桶数据
常见问题解决
-
多进程初始化错误:
- 确保主程序有
if __name__ == "__main__":
保护 - 检查Python版本和依赖库兼容性
- 确保主程序有
-
内存不足:
- 减少
workers
数量 - 降低
hashes_per_bucket
值
- 减少
-
性能瓶颈:
- 考虑使用分布式执行器替代本地执行器
- 优化数据读取和存储路径的I/O性能
通过正确配置和使用Datatrove的Minhash去重功能,可以高效地处理大规模文本数据集,为后续的NLP任务提供更干净、更高质量的数据输入。
登录后查看全文
热门项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++043Hunyuan3D-Part
腾讯混元3D-Part00GitCode-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~0288Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GOT-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).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
163
2.05 K

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

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
16

React Native鸿蒙化仓库
C++
199
279

🎉 (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
951
557

🔥🔥🔥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
96
15

基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0

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)。
Python
77
70

喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
17
0