描述 #

最大英文单词长度计算器 - 统计文本中英文单词的最大长度
核心功能

• 英文单词识别：使用正则表达式识别文本中的英文单词
• 最大长度计算：计算所有英文单词中的最大长度
• 批量处理：支持批量文本的最大英文单词长度计算

应用场景 #

• 文本质量检查
• 数据预处理和筛选

技术特性 #

• 仅识别英文单词：使用正则表达式 [A-Za-z]+ 匹配英文单词
• 智能处理：自动忽略非英文单词，只计算英文单词长度

算子参数 #

输入 #

输出 #

最大单词长度列，元素类型为整数

调用示例 #

下面的代码展示了如何使用 daft 运行算子计算文本中英文单词的最大长度。

from __future__ import annotations

import os

import daft
from daft import col
from daft.las.functions.text.maximum_word_length_calculator import MaximumWordLengthCalculator
from daft.las.functions.udf import las_udf

if __name__ == "__main__":

    if os.getenv("DAFT_RUNNER", "native") == "ray":
        import logging

        import ray

        def configure_logging():
            logging.basicConfig(
                level=logging.INFO,
                format="%(asctime)s - %(name)s - %(levelname)s - %(message)s",
                datefmt="%Y-%m-%d %H:%M:%S.%s".format(),
            )
            logging.getLogger("tracing.span").setLevel(logging.WARNING)
            logging.getLogger("daft_io.stats").setLevel(logging.WARNING)
            logging.getLogger("DaftStatisticsManager").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaScheduler").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaDispatcher").setLevel(logging.WARNING)

        ray.init(dashboard_host="0.0.0.0", runtime_env={"worker_process_setup_hook": configure_logging})
        daft.context.set_runner_ray()
    daft.set_execution_config(actor_udf_ready_timeout=600)
    daft.set_execution_config(min_cpu_per_task=0)

    samples = {
        "text": [
            "Hello world 你好世界",
            "Python编程 is fun",
            "这是一个中文句子",
            "The quick brown fox jumps over the lazy dog",
            "supercalifragilisticexpialidocious is a very long word",
            None,
        ]
    }

    ds = daft.from_pydict(samples)
    ds = ds.with_column(
        "max_word_length",
        las_udf(
            MaximumWordLengthCalculator,
            construct_args={},
        )(col("text")),
    )

    ds.show()
    # ╭────────────────────────────────┬─────────────────╮
    # │ text                           ┆ max_word_length │
    # │ ---                            ┆ ---             │
    # │ String                         ┆ Int64           │
    # ╞════════════════════════════════╪═════════════════╡
    # │ Hello world 你好世界           ┆ 5               │
    # ├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
    # │ Python编程 is fun              ┆ 6               │
    # ├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
    # │ 这是一个中文句子               ┆ 0               │
    # ├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
    # │ The quick brown fox jumps ove… ┆ 5               │
    # ├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
    # │ supercalifragilisticexpialido… ┆ 34              │
    # ├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
    # │ None                           ┆ None            │
    # ╰────────────────────────────────┴─────────────────╯