Metadata-Version: 2.1
Name: tketool.pt
Version: 0.3.15
Summary: Some base methods for developing
Home-page: http://www.example.com/~cschultz/bvote/
Author: Ke
Author-email: jiangke1207@icloud.com
License: UNKNOWN
Platform: UNKNOWN
Classifier: Programming Language :: Python :: 3
Classifier: License :: OSI Approved :: MIT License
Classifier: Operating System :: OS Independent
Description-Content-Type: text/markdown
License-File: LICENSE
Requires-Dist: tketool (==0.3.15)
Requires-Dist: torch

[toc] 
# ML工具包

## 功能介绍

```mermaid
graph LR
A[数据采集] --> B[样本集管理] 
B--> C[机器学习流程]
C --> 中间状态管理
C --> 训练流程跟踪
C --> 模型标准化
D[样本集同步] --> B
```



## 快速入门

### 安装

1, 安装pip包

```shell
pip install [package]
```

### 数据采集

爬取百度百科

```python
from spider_util.WebGetter import web_page, BrowserSession

bs = BrowserSession(".../chromedriver")  # 指定浏览器的drive
pa = bs.get_web_page("https://baike.baidu.com/wikitag/taglist?tagId=76603")

# 选需要爬取的xpath, 本例中选每个动物的标题的xpath
findxPath = "/html/body/div[2]/div[2]/div/div/div[1]/div[6]/a/div/div[2]/div[1]/div[1]"

results = pa.parse_page({'title': findxPath}) # 智能匹配所有标题
results2 = pa.scroll_parse_page(findxPath) # 智能滚动匹配所有标题

#遍历所有标题
for r in results['title']:
    new_page = r.click() # 点击标题,获得新的页面的page实例
    rrrrr = new_page.parse_page({"a1": xpath2, "a2": xpath3}) #递归进行信息提取

```

### 数据样本管理

#### 数据源

```python
from sample_util.NLSampleSource import LocalDisk_NLSampleSource, Memory_NLSampleSource
from sample_util.MinioSampleSource import MinioSampleSource

#本地数据源
sample_source = LocalDisk_NLSampleSource("/Users/jiangke/Downloads/buffer2")
#内存数据源
sample_source2 = Memory_NLSampleSource()
#服务器数据源
mss = MinioSampleSource("../buffer", "xx.xx.xx.xx:9000", "sroot", "hillstone",
                        "nlpdata")

#获得该数据源的所有数据集
all_set = mss.get_dir_list()
#打印该数据源的报表(详细的markdown文档)
mss.print_markdown_arrange_dir_list(mss.get_dir_list(),"../local_data.md")

# 同步set到本地的数据源
mss.updata()
mss.download("set_name")

```

#### 数据集

```python
from ketool.mlsample.SampleSet import SampleSet

# 遍历在sample_source数据源中名为‘ds’的数据集
for item in SampleSet(sample_source, 'ds'):
    print(item)

# Sampleset支持shuffle、batch、skip、take等函数
for item in SampleSet(sample_source2, 'a').shuffle().batch(3):
    count3 += 1

# 创建新的SampleSet
sample_source.create_new_set("set name", "set descript", ["tag1", ], ["col1", "col2"])
for i in range(10000):
    sample_source2.add_row('set name', [[i, i + 1, i + 2], [i, i + 1, i + 2]])  # 数据为行式插入

# SampleSet的扩展方法

# 切分某个数据集，按照label进行平衡，并按照数量划分到不同的子set中
# 此用例将 set_name数据集,按照col2的标签, 切成 test和train 两个set,方便用于后面训练和评测
splitset_by_labeltype_average(sample_source, 'set_name', lamba
x: x['col2'], {'test_set': 1000, 'train_set': 2000})

```

#### 模型构建

```Python
# 继承自TFModelBase
class test_Model(TFModelBase):

    def __init__(self,):
        super().__init__("test_Model")

    # 定义进入tf图的输入tensor
    def define_input(self):
        return {
            'tensor1': tf.keras.Input([1, 256], dtype=tf.float32),
        }

    # 输入转化成图输入的过程
    def input_convert(self, input):
        return {
            'tensor1': input,
        }

    # 图输出转换成结果输出
    def output_convert(self, model_result):
        return np.argmax(model_result, axis=1)

    # 优化器的指定
    def optimizer_obj(self):
        return self.optimizer

    # 图的定义
    def diagram(self, input_tensors):
        return result

    # loss的定义
    def cal_loss(self, intput, model_result, label):
        return loss
```

#### 模型的训练

```python
# set数据到模型的Input的转化
def batch_data_preoperator(item):
    inputs = [x['text_a'] for x in item]
    labels = [int(x['label']) for x in item]
    return inputs, labels



model = Test_Model()
# 模型自动加载最后训练的模型
model.load_last_model()

# 训练模型
train_p = BatchTrain(model,																			# 训练的模型
                     TFTrainableProcessState(doc_out=True), 		# 训练的过程状态,doc_out标识输出模型训练报表
                     create_buffer_set='test1',									# 是否对输入过程做缓存
                     buffer_set_source=NSS2,										# 如果做缓存,缓存的数据源
                     session_id='aaa111',												# 对话的session ID,同一个ID可实现继续训练
                     parse_batch_func=batch_data_preoperator)
# 设置评测指标和数据集
train_p.set_evaluate(DSet2.batch(30), [accuracy_metrics(), precision_metrics()])

# 设置训练的数据集
train_p.train(DSet.batch(50))
```



# code_util 
## Class 
### apidoc_generation 
动态生成所有API文档的Markdown格式 
**method** 
- \_\_init\_\_ 
初始化函数 
| name|note | 
| ----|---- | 
|  tar_path| 生成文件的路径 | 
|  module_names| 模块的列表 | 
|  exclude_name| 排除的关键字列表 | 
- generation 
生成文档的方法 
| name|note | 
| ----|---- | 
| return| | 
### log_level_enum 
log级别枚举 
**method** 
### process_status_bar 
控制台的进度条 
**method** 
- \_\_init\_\_ 
初始化函数 
| name|note | 
| ----|---- | 
|  processbar_length| 进度条长度（打印长度） | 
- iter_bar 
进度条的遍历方法 
| name|note | 
| ----|---- | 
|  iter_item| 主遍历对象 | 
|  value| value起始 | 
|  key| 遍历名称 | 
|  max| 遍历的数量 | 
| return| 可遍历对象 | 
- print_log 
过程中打印log（不覆盖，使用换行） 
| name|note | 
| ----|---- | 
|  str| 状态信息 | 
| return| 无返回 | 
- process_print 
打印过程中的状态信息（覆盖输出） 
| name|note | 
| ----|---- | 
|  str| 状态信息 | 
| return| 无返回 | 
- update_process_value 
强制更新进度条的进度数值 
| name|note | 
| ----|---- | 
|  v| 要更新的数值 | 
| return| 无返回 | 
### markdowndoc 
生成Markdown文本的辅助类 
**method** 
- \_\_del\_\_ 
无文档 
- \_\_init\_\_ 
初始化函数 
| name|note | 
| ----|---- | 
|  path| 生成的目标目录 | 
|  need_toc| 是否建立目录 | 
- flush 
输出文件的实际命令 
| name|note | 
| ----|---- | 
| return| 无返回 | 
- write_img 
无文档 
- write_line 
打印文字 
| name|note | 
| ----|---- | 
|  str| 文字内容 | 
|  is_block| 是否粗体打印 | 
| return| 无返回 | 
- write_markdown_code 
无文档 
- write_table 
打印表格 
| name|note | 
| ----|---- | 
|  title| 标题，list【str】 | 
|  data| 表格内容， list【list【列内容】】 | 
| return| 无返回 | 
- write_title 
打印标题 
| name|note | 
| ----|---- | 
|  str| 标题内容 | 
|  level| 标题级别 | 
| return| 无返回 | 
## Function 
### draw_line_chart 
无文档 
### log 
打印log 
| name|note | 
| ----|---- | 
|  str| log内容 | 
|  log_level| log级别，使用枚举 | 
| return| 无返回 | 
### log_error 
输出错误log，并抛出异常 
| name|note | 
| ----|---- | 
|  error_message| 异常信息 | 
| return| 无返回 | 
### process_bar_iter 
迭代过程的简易进度条 
| name|note | 
| ----|---- | 
|  iter_item| 迭代对象 | 
|  key| 迭代名称 | 
|  max| 最大迭代数量 | 
| return| 无返回 | 
### convert_2f_num 
无文档 
### hash_obj_strbase 
对对象进行迭代编码 
| name|note | 
| ----|---- | 
|  obj| 需要进行编码的对象 | 
| return| hash值 | 
### hash_str 
使用MD5对str进行hash编码 
| name|note | 
| ----|---- | 
|  target_str| 需要编码的str | 
| return| 无返回 | 
### create_folder_if_not_exsited 
如果路径下不存在则创建文件夹，返回路径 
| name|note | 
| ----|---- | 
|  args| 路径的分段信息，类似os.path.join | 
| return| 路径 | 
### buffer 
缓存方法的标识符 
| name|note | 
| ----|---- | 
|  permanent| 是否永久化存储 | 
| return| 无 | 
### buffer_item 
缓存一个对象 
| name|note | 
| ----|---- | 
|  key| 对象的key | 
|  value| 对象的value | 
| return| 无返回 | 
### get_buffer_item 
获得一个对象的缓存 
| name|note | 
| ----|---- | 
|  key| 对象的key | 
| return| 对象，查找不到会抛出异常 | 
### has_item_key 
是否存在某个key的缓存对象 
| name|note | 
| ----|---- | 
|  key| 缓存的key | 
| return| True标识存在 | 
### remove_item 
删除某个缓存对象 
| name|note | 
| ----|---- | 
|  key| 需要删除对象的key | 
| return| 无返回 | 
### func_check 
对方法的参数注释检测的方法标识 
| name|note | 
| ----|---- | 
|  func| | 
| return| | 
### get_last_time_cost 
获得最后一个标识方法计时器的时间 
| name|note | 
| ----|---- | 
| return| 秒 | 
### iter_idx 
返回 item，idx的可枚举 
| name|note | 
| ----|---- | 
|  iter_item| | 
| return| | 
### time_cost 
计时一个方法的运行时间的方法标识符 
| name|note | 
| ----|---- | 
|  key| | 
| return| | 
# ml_util 
## Class 
### IterationProcessModelBase 
遍历的模型定义（抽象类） 
**method** 
- \_\_init\_\_ 
模型的初始化 
| name|note | 
| ----|---- | 
|  name| 模型的名称 | 
- call 
抽象方法，每个循环体Item的执行过程 
| name|note | 
| ----|---- | 
|  item| 循环体的Item | 
|  item| 循环的processbar实例，用于对状态进行输出 | 
|  state| 状态信息 | 
| return| 无返回 | 
- prepare 
循环前的准备过程 
| name|note | 
| ----|---- | 
| return| 无返回 | 
### TrainableProcessModelBase 
基于迭代训练模型的基类（抽象类） 
**method** 
- \_\_call\_\_ 
同predict方法 
| name|note | 
| ----|---- | 
|  args| 参数 | 
|  kwargs| 参数 | 
| return| 结果 | 
- \_\_init\_\_ 
初始化 
| name|note | 
| ----|---- | 
|  name| 模型名称 | 
- input_convert 
无文档 
- load 
模型的加载 
| name|note | 
| ----|---- | 
|  model_key| 模型的标识key | 
| return| 无返回 | 
- model_call 
无文档 
- output_convert 
无文档 
- predict 
无文档 
- save 
模型的存储 
| name|note | 
| ----|---- | 
|  model_key| 存储的标识key | 
| return| 无返回 | 
- train 
训练过程 
| name|note | 
| ----|---- | 
|  input| 训练集的batch,其中input为convert_input后的Input | 
|  lable| 训练集的label | 
### TrainableProcessState 
训练过程的状态记录的处理类（抽象类） 
**method** 
- event_begin_batch 
每个batch训练开始前触发 
| name|note | 
| ----|---- | 
|  train_obj| 训练的过程引用 | 
|  epoch_index| epoch index | 
|  batch_index| batch训练的index | 
|  model| 训练的model | 
|  process_bar| 训练的状态条 | 
| return| 无 | 
- event_begin_epoch 
每个batch训练完成的Event 
| name|note | 
| ----|---- | 
|  train_obj| 训练的过程引用 | 
|  epoch_index| epoch index | 
|  model| 训练的model | 
|  process_bar| 训练的状态条 | 
| return| 无 | 
- event_end_batch 
每个batch训练后触发 
| name|note | 
| ----|---- | 
|  train_obj| 训练的过程引用 | 
|  epoch_index| epoch index | 
|  batch_index| batch训练的index | 
|  model| 训练的model | 
|  process_bar| 训练的状态条 | 
| return| 无 | 
- event_end_epoch 
每个epoch训练完成的Event 
| name|note | 
| ----|---- | 
|  train_obj| 训练的过程引用 | 
|  epoch_index| epoch index | 
|  model| 训练的model | 
|  process_bar| 训练的状态条 | 
| return| 无 | 
### IterationProcess 
遍历执行过程 
**method** 
- \_\_init\_\_ 
初始化方法 
| name|note | 
| ----|---- | 
|  model| 需要进行遍历的IterationProcessModelBase模型 | 
|  sample_set| 遍历执行的数据set | 
|  state_obj| 迭代状态信息 | 
|  session_id| 遍历的SessionID，同ID支持事务的进度记录，为None为不记录进度 | 
- execute 
执行遍历 
| name|note | 
| ----|---- | 
|  result_func| 结果的处理过程 （model返回的result， item_convert_fun返回的结果） 无返回值 | 
|  item_convert_fun| 每个Item进入model前的处理过程，(set遍历的item)-》返回待model处理结果 | 
| return| 无返回 | 
- is_completed 
此循环是否结束 
| name|note | 
| ----|---- | 
| return| 是否循环已经结束 | 
### IterationProcessModelBase 
遍历的模型定义（抽象类） 
**method** 
- \_\_init\_\_ 
模型的初始化 
| name|note | 
| ----|---- | 
|  name| 模型的名称 | 
- call 
抽象方法，每个循环体Item的执行过程 
| name|note | 
| ----|---- | 
|  item| 循环体的Item | 
|  item| 循环的processbar实例，用于对状态进行输出 | 
|  state| 状态信息 | 
| return| 无返回 | 
- prepare 
循环前的准备过程 
| name|note | 
| ----|---- | 
| return| 无返回 | 
### MLComponentBase 
统一ML处理过程的基类，抽象类 
**method** 
- \_\_getitem\_\_ 
无文档 
- \_\_init\_\_ 
初始化 
| name|note | 
| ----|---- | 
|  modules| 需要倒入的module | 
- call 
执行过程，抽象方法 
| name|note | 
| ----|---- | 
|  linked_item| 处理的目标数据 | 
|  ori_item| 处理的原始数据 | 
| return| 处理的结果 | 
- load_model 
模型的加载过程，（如有） 
| name|note | 
| ----|---- | 
|  model_path| 模型存储的路径 | 
| return| 无返回 | 
### MetricsBase 
**method** 
- call 
无文档 
### BatchTrain 
基于数据Batch的训练迭代 
**method** 
- \_\_init\_\_ 
初始化 
| name|note | 
| ----|---- | 
|  model| 需要迭代的模型 | 
|  epochs| 最大epoch次数 | 
|  parse_batch_func| 样本预处理function | 
|  create_buffer_set| 是否创建样本缓存set，None为不创建，否则填写缓存名字，若存在则直接训练，不训练会递归创建 | 
|  buffer_set_source| 创建缓存set的source | 
|  session_id| 缓存创建的session key | 
- evaluate 
无文档 
- set_evaluate 
无文档 
- train 
训练方法 
| name|note | 
| ----|---- | 
|  kwargs| 向model train传递的参数 | 
|  sampleset| 数据的dataset | 
|  parse_batch_func| 每batch数据的预处理过程,返回（input_data, label_data） | 
| return| 无返回 | 
### TrainableProcessModelBase 
基于迭代训练模型的基类（抽象类） 
**method** 
- \_\_call\_\_ 
同predict方法 
| name|note | 
| ----|---- | 
|  args| 参数 | 
|  kwargs| 参数 | 
| return| 结果 | 
- \_\_init\_\_ 
初始化 
| name|note | 
| ----|---- | 
|  name| 模型名称 | 
- input_convert 
无文档 
- load 
模型的加载 
| name|note | 
| ----|---- | 
|  model_key| 模型的标识key | 
| return| 无返回 | 
- model_call 
无文档 
- output_convert 
无文档 
- predict 
无文档 
- save 
模型的存储 
| name|note | 
| ----|---- | 
|  model_key| 存储的标识key | 
| return| 无返回 | 
- train 
训练过程 
| name|note | 
| ----|---- | 
|  input| 训练集的batch,其中input为convert_input后的Input | 
|  lable| 训练集的label | 
### TrainableProcessState 
训练过程的状态记录的处理类（抽象类） 
**method** 
- event_begin_batch 
每个batch训练开始前触发 
| name|note | 
| ----|---- | 
|  train_obj| 训练的过程引用 | 
|  epoch_index| epoch index | 
|  batch_index| batch训练的index | 
|  model| 训练的model | 
|  process_bar| 训练的状态条 | 
| return| 无 | 
- event_begin_epoch 
每个batch训练完成的Event 
| name|note | 
| ----|---- | 
|  train_obj| 训练的过程引用 | 
|  epoch_index| epoch index | 
|  model| 训练的model | 
|  process_bar| 训练的状态条 | 
| return| 无 | 
- event_end_batch 
每个batch训练后触发 
| name|note | 
| ----|---- | 
|  train_obj| 训练的过程引用 | 
|  epoch_index| epoch index | 
|  batch_index| batch训练的index | 
|  model| 训练的model | 
|  process_bar| 训练的状态条 | 
| return| 无 | 
- event_end_epoch 
每个epoch训练完成的Event 
| name|note | 
| ----|---- | 
|  train_obj| 训练的过程引用 | 
|  epoch_index| epoch index | 
|  model| 训练的model | 
|  process_bar| 训练的状态条 | 
| return| 无 | 
### _generate_tfmodel_input_buffer_set 
**method** 
- \_\_init\_\_ 
模型的初始化 
| name|note | 
| ----|---- | 
|  name| 模型的名称 | 
- call 
抽象方法，每个循环体Item的执行过程 
| name|note | 
| ----|---- | 
|  item| 循环体的Item | 
|  item| 循环的processbar实例，用于对状态进行输出 | 
|  state| 状态信息 | 
| return| 无返回 | 
- prepare 
循环前的准备过程 
| name|note | 
| ----|---- | 
| return| 无返回 | 
### precision_metrics 
**method** 
- call 
无文档 
### accuracy_metrics 
**method** 
- call 
无文档 
## Function 
### confusion_dic_2_matrix 
无文档 
# sample_util 
## Class 
### LocalDisk_NLSampleSource 
本地磁盘的数据源. 
**method** 
- \_\_del\_\_ 
提交所有打开的文档更改并关闭 
| name|note | 
| ----|---- | 
| return| | 
- \_\_init\_\_ 
初始化数据源 
| name|note | 
| ----|---- | 
|  folder_path| 数据源存储的本地目录 | 
- add_attachment 
向set添加特定的附加信息 
| name|note | 
| ----|---- | 
|  set_name| 添加的set | 
|  key| 附加信息的key | 
|  data| 附加信息 | 
| return| 无返回 | 
- add_row 
添加新行 
| name|note | 
| ----|---- | 
|  name| 添加的目标set | 
|  data| 列信息，list形式，顺序与set的列名顺序相同 | 
| return| 是否成功的bool返回 | 
- arrange_dir_list 
构建基于树形目录的控制台输出 
| name|note | 
| ----|---- | 
|  dir_list| metadata列表，一般取自 get_metadata_keys | 
| return| 返回树形字典，表示此数据源所有set的树形结构 | 
- create_new_set 
header format:  file_index(int): 文件序号

append_seek(pointer): 添加新数据指针

data_start_seek(int): 本文件中数据的开始位置

data_count(int): 数据的个数

file_count(int): 文件链个数

current_file_count(int): 当前数据数量

header_node: 数据 
| name|note | 
| ----|---- | 
|  name| | 
|  description| | 
|  tags| | 
|  label_keys| | 
| return| | 
- delete_set 
删除特定的set 
| name|note | 
| ----|---- | 
|  name| 要删除的set名称 | 
| return| 无返回 | 
- flush 
提交所有的更改 
| name|note | 
| ----|---- | 
| return| 无返回 | 
- get_dir_list 
获得当前源的所有set的列表信息 
| name|note | 
| ----|---- | 
| return| 字典类型的set集合 | 
- get_metadata_keys 
获得set的metadata信息，包括set的定义信息、数量等 
| name|note | 
| ----|---- | 
|  name| set名称 | 
| return| 字典类型的属性集合 | 
- get_set_count 
获得set的数量 
| name|note | 
| ----|---- | 
|  name| set名称 | 
| return| 返回数量信息 | 
- has_set 
此数据源中是否包含特定的数据set 
| name|note | 
| ----|---- | 
|  name| 需要查找的set名称 | 
| return| 结果bool类型的值 | 
- iter_data 
遍历set中所有数据行 
| name|note | 
| ----|---- | 
|  name| set名称 | 
| return| 可迭代的数据对象，每个迭代是一行数据 | 
- iter_pointer 
遍历返回set中所有行的指针信息 
| name|note | 
| ----|---- | 
|  name| set名称 | 
| return| 可迭代的指针对象 | 
- load_pointer_data 
通过特定的指针信息获得该指针信息的行 
| name|note | 
| ----|---- | 
|  name| set名称 | 
|  pointer| 指针信息 | 
| return| 该指针指向的行信息 | 
- print_markdown_arrange_dir_list 
打印此数据源所有数据set的预览页（markdown） 
| name|note | 
| ----|---- | 
|  dir_list| metadata列表，一般取自 get_metadata_keys | 
|  path| 输出目录 | 
|  max_length| 每行数据的最大现实长度 | 
| return| | 
- print_set_info 
在控制台打印某个set的信息 
| name|note | 
| ----|---- | 
|  name| set的名称 | 
| return| 无返回 | 
- read_attachment 
读取set的附加信息 
| name|note | 
| ----|---- | 
|  set_name| 读取的set名称 | 
| return| 返回附加信息 | 
- read_one_row 
读取set的第一行信息 
| name|note | 
| ----|---- | 
|  set_name| set名称 | 
| return| 第一行的数据 | 
### Memory_NLSampleSource 
构建一个基于内存的SampleSource 
**method** 
- \_\_init\_\_ 
无文档 
- add_attachment 
向set添加特定的附加信息 
| name|note | 
| ----|---- | 
|  set_name| 添加的set | 
|  key| 附加信息的key | 
|  data| 附加信息 | 
| return| 无返回 | 
- add_row 
添加新行 
| name|note | 
| ----|---- | 
|  name| 添加的目标set | 
|  data| 列信息，list形式，顺序与set的列名顺序相同 | 
| return| 是否成功的bool返回 | 
- arrange_dir_list 
构建基于树形目录的控制台输出 
| name|note | 
| ----|---- | 
|  dir_list| metadata列表，一般取自 get_metadata_keys | 
| return| 返回树形字典，表示此数据源所有set的树形结构 | 
- create_new_set 
创建新的数据set，抽象方法 
| name|note | 
| ----|---- | 
|  name| 新set的名称 | 
|  description| 新set的描述信息 | 
|  tags| 新set的tag信息 | 
|  keys| 新set的列名 | 
|  base_set| 父set的名称 | 
| return| 是否成功，bool类型返回 | 
- delete_set 
删除特定的set 
| name|note | 
| ----|---- | 
|  name| 要删除的set名称 | 
| return| 无返回 | 
- flush 
提交所有更改 
| name|note | 
| ----|---- | 
| return| 无返回 | 
- get_dir_list 
获得当前源的所有set的列表信息 
| name|note | 
| ----|---- | 
| return| 字典类型的set集合 | 
- get_metadata_keys 
获得set的metadata信息，包括set的定义信息、数量等 
| name|note | 
| ----|---- | 
|  name| set名称 | 
| return| 字典类型的属性集合 | 
- get_set_count 
获得set的数量 
| name|note | 
| ----|---- | 
|  name| set名称 | 
| return| 返回数量信息 | 
- has_set 
此数据源中是否包含特定的数据set 
| name|note | 
| ----|---- | 
|  name| 需要查找的set名称 | 
| return| 结果bool类型的值 | 
- iter_data 
遍历set中所有数据行 
| name|note | 
| ----|---- | 
|  name| set名称 | 
| return| 可迭代的数据对象，每个迭代是一行数据 | 
- iter_pointer 
遍历返回set中所有行的指针信息 
| name|note | 
| ----|---- | 
|  name| set名称 | 
| return| 可迭代的指针对象 | 
- load_pointer_data 
通过特定的指针信息获得该指针信息的行 
| name|note | 
| ----|---- | 
|  name| set名称 | 
|  pointer| 指针信息 | 
| return| 该指针指向的行信息 | 
- print_markdown_arrange_dir_list 
打印此数据源所有数据set的预览页（markdown） 
| name|note | 
| ----|---- | 
|  dir_list| metadata列表，一般取自 get_metadata_keys | 
|  path| 输出目录 | 
|  max_length| 每行数据的最大现实长度 | 
| return| | 
- read_attachment 
读取set的附加信息 
| name|note | 
| ----|---- | 
|  set_name| 读取的set名称 | 
| return| 返回附加信息 | 
- read_one_row 
读取set的第一行信息 
| name|note | 
| ----|---- | 
|  set_name| set名称 | 
| return| 第一行的数据 | 
### NLSampleSourceBase 
数据存储源的基类，抽象类 
**method** 
- add_attachment 
向set添加特定的附加信息 
| name|note | 
| ----|---- | 
|  set_name| 添加的set | 
|  key| 附加信息的key | 
|  data| 附加信息 | 
| return| 无返回 | 
- add_row 
添加新行 
| name|note | 
| ----|---- | 
|  name| 添加的目标set | 
|  data| 列信息，list形式，顺序与set的列名顺序相同 | 
| return| 是否成功的bool返回 | 
- arrange_dir_list 
构建基于树形目录的控制台输出 
| name|note | 
| ----|---- | 
|  dir_list| metadata列表，一般取自 get_metadata_keys | 
| return| 返回树形字典，表示此数据源所有set的树形结构 | 
- create_new_set 
创建新的数据set，抽象方法 
| name|note | 
| ----|---- | 
|  name| 新set的名称 | 
|  description| 新set的描述信息 | 
|  tags| 新set的tag信息 | 
|  keys| 新set的列名 | 
|  base_set| 父set的名称 | 
| return| 是否成功，bool类型返回 | 
- delete_set 
删除特定的set 
| name|note | 
| ----|---- | 
|  name| 要删除的set名称 | 
| return| 无返回 | 
- flush 
提交所有更改 
| name|note | 
| ----|---- | 
| return| 无返回 | 
- get_dir_list 
获得当前源的所有set的列表信息 
| name|note | 
| ----|---- | 
| return| 字典类型的set集合 | 
- get_metadata_keys 
获得set的metadata信息，包括set的定义信息、数量等 
| name|note | 
| ----|---- | 
|  name| set名称 | 
| return| 字典类型的属性集合 | 
- get_set_count 
获得set的数量 
| name|note | 
| ----|---- | 
|  name| set名称 | 
| return| 返回数量信息 | 
- has_set 
此数据源中是否包含特定的数据set 
| name|note | 
| ----|---- | 
|  name| 需要查找的set名称 | 
| return| 结果bool类型的值 | 
- iter_data 
遍历set中所有数据行 
| name|note | 
| ----|---- | 
|  name| set名称 | 
| return| 可迭代的数据对象，每个迭代是一行数据 | 
- iter_pointer 
遍历返回set中所有行的指针信息 
| name|note | 
| ----|---- | 
|  name| set名称 | 
| return| 可迭代的指针对象 | 
- load_pointer_data 
通过特定的指针信息获得该指针信息的行 
| name|note | 
| ----|---- | 
|  name| set名称 | 
|  pointer| 指针信息 | 
| return| 该指针指向的行信息 | 
- print_markdown_arrange_dir_list 
打印此数据源所有数据set的预览页（markdown） 
| name|note | 
| ----|---- | 
|  dir_list| metadata列表，一般取自 get_metadata_keys | 
|  path| 输出目录 | 
|  max_length| 每行数据的最大现实长度 | 
| return| | 
- read_attachment 
读取set的附加信息 
| name|note | 
| ----|---- | 
|  set_name| 读取的set名称 | 
| return| 返回附加信息 | 
- read_one_row 
读取set的第一行信息 
| name|note | 
| ----|---- | 
|  set_name| set名称 | 
| return| 第一行的数据 | 
### MinioSampleSource 
Minio远程数据源，同步LocalDisk数据源，继承自LocalDisk 
**method** 
- \_\_del\_\_ 
提交所有打开的文档更改并关闭 
| name|note | 
| ----|---- | 
| return| | 
- \_\_init\_\_ 
初始化方法 
| name|note | 
| ----|---- | 
|  folder_path| 本地缓存目录 | 
|  endpoint| minio的地址 | 
|  access_key| minio的access key | 
|  secret_key| minio的secret key | 
|  bucket_name| bucket名称 | 
- add_attachment 
无文档 
- add_row 
添加新行 
| name|note | 
| ----|---- | 
|  name| 添加的目标set | 
|  data| 列信息，list形式，顺序与set的列名顺序相同 | 
| return| 是否成功的bool返回 | 
- arrange_dir_list 
构建基于树形目录的控制台输出 
| name|note | 
| ----|---- | 
|  dir_list| metadata列表，一般取自 get_metadata_keys | 
| return| 返回树形字典，表示此数据源所有set的树形结构 | 
- create_new_set 
header format:  file_index(int): 文件序号

append_seek(pointer): 添加新数据指针

data_start_seek(int): 本文件中数据的开始位置

data_count(int): 数据的个数

file_count(int): 文件链个数

current_file_count(int): 当前数据数量

header_node: 数据 
| name|note | 
| ----|---- | 
|  name| | 
|  description| | 
|  tags| | 
|  label_keys| | 
| return| | 
- delete_set 
无文档 
- download 
下载特定的set到本地 
| name|note | 
| ----|---- | 
|  name| 需要下载的set名称 | 
| return| 无返回 | 
- flush 
提交所有的更改 
| name|note | 
| ----|---- | 
| return| 无返回 | 
- get_dir_list 
获得当前源的所有set的列表信息 
| name|note | 
| ----|---- | 
| return| 字典类型的set集合 | 
- get_metadata_keys 
获得set的metadata信息，包括set的定义信息、数量等 
| name|note | 
| ----|---- | 
|  name| set名称 | 
| return| 字典类型的属性集合 | 
- get_remote_dir_list 
获得远程所有set的列表信息 
| name|note | 
| ----|---- | 
| return| 远程所有set信息的列表 | 
- get_set_count 
无文档 
- has_set 
此数据源中是否包含特定的数据set 
| name|note | 
| ----|---- | 
|  name| 需要查找的set名称 | 
| return| 结果bool类型的值 | 
- iter_data 
遍历set中所有数据行 
| name|note | 
| ----|---- | 
|  name| set名称 | 
| return| 可迭代的数据对象，每个迭代是一行数据 | 
- iter_pointer 
无文档 
- load_pointer_data 
无文档 
- print_markdown_arrange_dir_list 
打印此数据源所有数据set的预览页（markdown） 
| name|note | 
| ----|---- | 
|  dir_list| metadata列表，一般取自 get_metadata_keys | 
|  path| 输出目录 | 
|  max_length| 每行数据的最大现实长度 | 
| return| | 
- print_set_info 
在控制台打印某个set的信息 
| name|note | 
| ----|---- | 
|  name| set的名称 | 
| return| 无返回 | 
- read_attachment 
无文档 
- read_one_row 
无文档 
- update 
提交本地更改到服务器 
| name|note | 
| ----|---- | 
|  set_name| 提交的set名称，默认为所有更改 | 
| return| | 
### SampleSet 
数据源复杂遍历的对象，表征一个数据集 
**method** 
- \_\_init\_\_ 
初始化方法 
| name|note | 
| ----|---- | 
|  source_base| 数据源 | 
|  set_name| 数据源的set名称 | 
- \_\_iter\_\_ 
遍历的内置实现 
| name|note | 
| ----|---- | 
| return| 可迭代对象 | 
- batch 
对数据进行batch分组 
| name|note | 
| ----|---- | 
|  batch_count| 每个batch的数量 | 
| return| 返回可迭代的实例本身 | 
- count 
数据set的数量 
| name|note | 
| ----|---- | 
| return| 返回数据set的数量 | 
- shuffle 
打乱顺序 
| name|note | 
| ----|---- | 
| return| 返回可迭代的实例本身 | 
- skip 
跳过一定量的数据 
| name|note | 
| ----|---- | 
|  count| 跳过的数量 | 
| return| 返回可迭代的实例本身 | 
- take 
取一定数量的数据 
| name|note | 
| ----|---- | 
|  count| 需要取的数量 | 
| return| 返回可迭代的实例本身 | 
## Function 
### CopySet 
遍历复制一个set，用于重新命名、修改metadata等信息 
| name|note | 
| ----|---- | 
|  samplesource| 原始数据源 | 
|  ori_set_name| 原始set名称 | 
|  new_samplesource| 新数据源 | 
|  new_name| 新的set名称 | 
|  new_description| 新的描述 | 
|  new_tags| 新的tag信息 | 
|  new_lables| 新的lable信息 | 
| return| 无返回 | 
### Group_SampleSet_Label_vocdic_to_buffer 
统计SampleSet中某个Label的数量，并生成互还字典，保存到buffer 
| name|note | 
| ----|---- | 
|  samplesource| sample数据源 | 
|  set_name| sampleset名称 | 
|  key| 需要统计的key | 
|  buffer_key| 保存的buffer key | 
| return| （dict，dict）正义字典和反义字典 | 
### Group_key_and_count 
无文档 
### splitset_by_labeltype_average 
切分某个数据集，按照label进行平衡，并按照数量划分到不同的子set中， 
| name|note | 
| ----|---- | 
|  samplesource| 数据源 | 
|  ori_set_name| 需要进行切分的set | 
|  get_label_type_func| 标识label的func回调，返回每条数据的lebel（均分依据） | 
|  set_count_dic| 一个dic，表征需要划分不同子数据集的数量列表 | 
| return| 返回每个label的数量 | 
### import_str_base_csv_file 
无文档 
# spider_util 
## Class 
### BrowserSession 
浏览器的实例 
**method** 
- \_\_del\_\_ 
析构方法 
| name|note | 
| ----|---- | 
| return| 无返回 | 
- \_\_init\_\_ 
初始化 
| name|note | 
| ----|---- | 
|  drive_path| 浏览器的地址 | 
- get_web_page 
获得某个url的web_page是列 
| name|note | 
| ----|---- | 
|  url| 需要解析的url | 
| return| 一个web_page实例 | 
### page_item 
表征爬到的页面元素 
**method** 
- \_\_init\_\_ 
初始化方法，从webpage中生成 
| name|note | 
| ----|---- | 
|  xpath| 元素的xpath | 
|  page| 页面实例 | 
|  driver| driver实例 | 
- \_\_str\_\_ 
文字形式提取 
| name|note | 
| ----|---- | 
| return| 范围节点的文字形式 | 
- click 
点击该item 
| name|note | 
| ----|---- | 
| return| 返回点击后的新webpage | 
### web_page 
表征一个页面的解析和操作 
**method** 
- \_\_del\_\_ 
析构方法 
| name|note | 
| ----|---- | 
| return| 无返回 | 
- \_\_init\_\_ 
初始化函数，推荐从BrowserSession中生成 
| name|note | 
| ----|---- | 
|  driver| 驱动实例 | 
|  window_handle| window的句饼 | 
|  url| 目标的URL | 
- parse_page 
智能联想的爬取方法 
| name|note | 
| ----|---- | 
|  parse_content_xpath_dic| 需要爬取的内容字典，key-value，其中value为xpath | 
| return| 爬到所有pageitem对象字典 | 
- scroll_parse_page 
滚动爬取特定内容 
| name|note | 
| ----|---- | 
|  parse_content_xpath| 需要进行智能分析的xpath，该xpath必须处于滚动增量元素的子节点中 | 
|  max_length| 爬取的最大长度 | 
| return| 返回特定的pageitem列表 | 
# nlp_util 
## Class 
### TFModelBase 
基于TF框架的Model的抽象类，继承自TrainableProcessModelBase 
**method** 
- \_\_call\_\_ 
同predict方法 
| name|note | 
| ----|---- | 
|  args| 参数 | 
|  kwargs| 参数 | 
| return| 结果 | 
- \_\_init\_\_ 
初始化 
| name|note | 
| ----|---- | 
|  name| 模型名称 | 
- cal_loss 
无文档 
- define_input 
无文档 
- diagram 
无文档 
- input_convert 
无文档 
- load 
模型的加载 
| name|note | 
| ----|---- | 
|  model_key| 模型的标识key | 
| return| 无返回 | 
- load_by_path 
无文档 
- load_last_model 
无文档 
- model_call 
无文档 
- optimizer_obj 
无文档 
- output_convert 
无文档 
- predict 
无文档 
- save 
模型的存储 
| name|note | 
| ----|---- | 
|  model_key| 存储的标识key | 
| return| 无返回 | 
- train 
训练过程 
| name|note | 
| ----|---- | 
|  input| 训练集的batch,其中input为convert_input后的Input | 
|  lable| 训练集的label | 
### TFTrainableProcessState 
基于TF框架的过程状态类的默认实现 
**method** 
- \_\_init\_\_ 
初始化 
| name|note | 
| ----|---- | 
- add_epoch_loss 
累加epoch的loss 
| name|note | 
| ----|---- | 
|  loss_value| loss | 
| return| 无返回 | 
- event_begin_batch 
每个batch训练开始前触发 
| name|note | 
| ----|---- | 
|  train_obj| 训练的过程引用 | 
|  epoch_index| epoch index | 
|  batch_index| batch训练的index | 
|  model| 训练的model | 
|  process_bar| 训练的状态条 | 
| return| 无 | 
- event_begin_epoch 
每个batch训练完成的Event 
| name|note | 
| ----|---- | 
|  train_obj| 训练的过程引用 | 
|  epoch_index| epoch index | 
|  model| 训练的model | 
|  process_bar| 训练的状态条 | 
| return| 无 | 
- event_end_batch 
每个batch训练后触发 
| name|note | 
| ----|---- | 
|  train_obj| 训练的过程引用 | 
|  epoch_index| epoch index | 
|  batch_index| batch训练的index | 
|  model| 训练的model | 
|  process_bar| 训练的状态条 | 
| return| 无 | 
- event_end_epoch 
每个epoch训练完成的Event 
| name|note | 
| ----|---- | 
|  train_obj| 训练的过程引用 | 
|  epoch_index| epoch index | 
|  model| 训练的model | 
|  process_bar| 训练的状态条 | 
| return| 无 | 
### process_enum 
封装统一NLP过程的枚举 
**method** 
### process_setting 
封装调用的统一入口 
**method** 
- \_\_getitem\_\_ 
无文档 
- \_\_init\_\_ 
静态类型 
| name|note | 
| ----|---- | 
- get_process_obj 
获取特定过程的方法实例 
| name|note | 
| ----|---- | 
|  process_key| 方法类型的枚举-process_enum | 
| return| 特定方法的实例 | 
- replace_process 
替换特定的方法实例 
| name|note | 
| ----|---- | 
|  process_key| 方法实例的枚举 process_enum | 
|  process_type| 方法实例的类型 | 
| return| 无返回 | 
### default_bert 
**method** 
- \_\_getitem\_\_ 
无文档 
- \_\_init\_\_ 
初始化 
| name|note | 
| ----|---- | 
|  modules| 需要倒入的module | 
- call 
执行过程，抽象方法 
| name|note | 
| ----|---- | 
|  linked_item| 处理的目标数据 | 
|  ori_item| 处理的原始数据 | 
| return| 处理的结果 | 
- load_model 
模型的加载过程，（如有） 
| name|note | 
| ----|---- | 
|  model_path| 模型存储的路径 | 
| return| 无返回 | 
### default_sentencecut 
**method** 
- \_\_getitem\_\_ 
无文档 
- \_\_init\_\_ 
初始化 
| name|note | 
| ----|---- | 
|  modules| 需要倒入的module | 
- call 
执行过程，抽象方法 
| name|note | 
| ----|---- | 
|  linked_item| 处理的目标数据 | 
|  ori_item| 处理的原始数据 | 
| return| 处理的结果 | 
- load_model 
模型的加载过程，（如有） 
| name|note | 
| ----|---- | 
|  model_path| 模型存储的路径 | 
| return| 无返回 | 
### default_bert 
**method** 
- \_\_getitem\_\_ 
无文档 
- \_\_init\_\_ 
初始化 
| name|note | 
| ----|---- | 
|  modules| 需要倒入的module | 
- call 
执行过程，抽象方法 
| name|note | 
| ----|---- | 
|  linked_item| 处理的目标数据 | 
|  ori_item| 处理的原始数据 | 
| return| 处理的结果 | 
- load_model 
模型的加载过程，（如有） 
| name|note | 
| ----|---- | 
|  model_path| 模型存储的路径 | 
| return| 无返回 | 
### default_jieba 
**method** 
- \_\_getitem\_\_ 
无文档 
- \_\_init\_\_ 
初始化 
| name|note | 
| ----|---- | 
|  modules| 需要倒入的module | 
- call 
执行过程，抽象方法 
| name|note | 
| ----|---- | 
|  linked_item| 处理的目标数据 | 
|  ori_item| 处理的原始数据 | 
| return| 处理的结果 | 
- call_with_poss 
无文档 
- load_model 
模型的加载过程，（如有） 
| name|note | 
| ----|---- | 
|  model_path| 模型存储的路径 | 
| return| 无返回 | 


