描述 #

项目符号行占比计算器 - 计算文本中项目符号行的比例

核心功能 #

• 项目符号检测：自动识别文本中以项目符号开头的行
• 比例计算：计算项目符号行数与总行数的比值

应用场景 #

• 文本质量评估
• 数据清洗和预处理

技术特性 #

• 支持多种项目符号：•、-、·、●、▪、—、*等
• 精确识别：只统计以项目符号开头的行
• 结果范围：0-1，越接近1表示项目符号行越多
• 智能过滤：自动过滤空白行，不影响计算

算子参数 #

输入 #

输出 #

项目符号行比例列，元素为浮点数，表示项目符号行比例

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项目符号行的占比。

from __future__ import annotations

import os

import daft
from daft import col
from daft.las.functions.text.bullet_line_ratio_calculator import BulletLineRatioCalculator
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": [
            "第一行内容\n• 项目符号行1\n- 项目符号行2\n第三行内容\n* 项目符号行3",
            "这是普通文本\n没有任何项目符号\n都是正常的内容",
            "• 只有项目符号\n- 全是项目符号\n* 没有普通文本",
        ]
    }

    ds = daft.from_pydict(samples)
    ds = ds.with_column(
        "bullet_ratio",
        las_udf(BulletLineRatioCalculator)(col("text")),
    )

    ds.show()
    # ╭──────────────────────────────────────────────┬──────────────────────────────────────────────╮
    # │ text                                         ┆ bullet_ratio                                │
    # │ ---                                          ┆ ---                                          │
    # │ Utf8                                         ┆ Float64                                      │
    # ╞══════════════════════════════════════════════╪══════════════════════════════════════════════╡
    # │ 第一行内容\n• 项目符号行1\n- 项目符号行2\n第三行内容  ┆ 0.6                                         │
    # │ \* 项目符号行3                               ┆                                              │
    # ├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
    # │ 这是普通文本\n没有任何项目符号\n都是正常的内容    ┆ 0.0                                         │
    # ├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
    # │ • 只有项目符号\n- 全是项目符号\n* 没有普通文本    ┆ 1.0                                         │
    # ╰──────────────────────────────────────────────┴──────────────────────────────────────────────╯