LLM-特殊字符占比过滤组件主要用于大语言模型（LLM）的文本数据预处理工作，根据特殊字符占比过滤样本，保留特殊字符个数占文本总长度比例在指定范围内的样本。
使用限制
仅支持MaxCompute计算引擎。
算法简介
遍历文本中的每个字符，并统计特殊字符个数占文本总长度的比例。
默认特殊字符包括：标点符号（string.punctuation）、数字（string.digits）、空格符号（string.whitespace）、emoji表情包以及一些特殊字符。
可视化配置参数
您可以在Designer中，通过可视化的方式配置组件参数。
页签 | 参数 | 是否必选 | 描述 | 默认值 |
字段设置 | 选择目标处理列 | 是 | 选择要处理的列，支持选择多个列。 | 无 |
比例最小值 | 否 | 特殊字符个数占文本总长度比例小于该值将被过滤掉。 | 0 | |
比例最大值 | 是 | 特殊字符个数占文本总长度比例大于该值将被过滤掉。 | 无 | |
设置输出表生命周期 | 否 | 正整数，单位为天。默认28天，28天后该组件产生的临时表被回收。 | 28 | |
执行调优 | 每个实例的cpu数目 | 否 | 设定map task每个instance的CPU数目，取值范围为[50,800]。 | 100 |
每个实例的memory大小，单位M | 否 | 设定map task每个instance的memory大小，单位为MB，取值范围为[256,12288]。 | 1024 | |
每个实例处理的数据大小，单位M | 否 | 设定map task每个instance的最大处理数据量，用户可以通过控制该变量，实现对map端输入的控制。单位为MB，取值范围为[1,Integer.MAX_VALUE]。 | 256 |
相关文档
关于Designer组件更详细的内容介绍，请参见Designer概述。
文档内容是否对您有帮助？