描述 #

空白字符标准化器 - 将文本中不同种类的空白符号替换成标准空格

核心功能 #

• 空白字符识别：自动识别各种Unicode空白字符
• 标准化处理：将所有空白字符替换为标准空格

应用场景 #

• 文本预处理
• 数据清洗和标准化
• 格式统一化
• 文本规范化

技术特性 #

• 支持多种空白字符：空格、制表符、换行符、全角空格等
• 智能处理：保留文本内容，只替换空白字符
• 前后清理：自动去除文本前后的空白字符
• 保持结构：不改变文本的基本结构和内容

算子参数 #

输入 #

输出 #

标准化后的文本列

调用示例 #

下面的代码展示了如何使用 daft 运行算子标准化文本中的空白字符。

from __future__ import annotations

import os

import daft
from daft import col
from daft.las.functions.text.whitespace_normalizer import WhitespaceNormalizer
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\u2000World\u2001Test",
            "中文\u2002文本\u2003测试",
            "English\u2004中文\u2005Mixed",
            "Multiple\u2006\u2007\u2008Spaces",
        ]
    }

    ds = daft.from_pydict(samples)
    ds = ds.with_column(
        "normalized_text",
        las_udf(WhitespaceNormalizer)(col("text")),
    )

    ds.show()
    # ╭──────────────────────────────────────────────┬──────────────────────────────────────────────╮
    # │ text                                         ┆ normalized_text                             │
    # │ ---                                          ┆ ---                                          │
    # │ Utf8                                         ┆ Utf8                                         │
    # ╞══════════════════════════════════════════════╪══════════════════════════════════════════════╡
    # │ Hello World Test                             ┆ Hello World Test                             │
    # ├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
    # │ 中文 文本 测试                                ┆ 中文 文本 测试                               │
    # ├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
    # │ English 中文 Mixed                            ┆ English 中文 Mixed                            │
    # ├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
    # │ Multiple   Spaces                            ┆ Multiple Spaces                              │
    # ╰──────────────────────────────────────────────┴──────────────────────────────────────────────╯