Практический разбор FineWeb: потоковая обработка, фильтрация, дедупликация и анализ корпуса

В этом практическом руководстве мы исследуем набор данных FineWeb: потоково обработаем выборку, не загружая весь многотерабайтный корпус, рассмотрим схему данных и метаданные, а также проанализируем такие поля, как URL, язык, оценка языка и число токенов. Мы воспроизведём упрощённые версии фильтров качества FineWeb, применим поиск близких дубликатов на основе MinHash, проверим число токенов с помощью токенизатора GPT-2 и подготовим сводную статистику по доменам, оценкам языка, длине документов и эффективности токенизатора.

Установка библиотек и подготовка

Установим библиотеки для потоковой загрузки, анализа, дедупликации, токенизации и визуализации. Затем импортируем необходимые пакеты Python для обработки документов FineWeb и работы с табличными данными. Зафиксируем генераторы случайных чисел и настроим отображение данных, чтобы результаты было проще воспроизводить и изучать.

import subprocess, sys
def pip(*pkgs):
   subprocess.run([sys.executable, "-m", "pip", "install", "-q", *pkgs], check=True)
pip("datasets>=2.19", "datasketch", "tiktoken", "pandas", "matplotlib", "tqdm")
import re, math, random, collections
from urllib.parse import urlparse
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from tqdm.auto import tqdm
from datasets import load_dataset
random.seed(0); np.random.seed(0)
pd.set_option("display.max_colwidth", 90)

Потоковая загрузка и просмотр данных

Загрузим заданное число документов из поднабора FineWeb sample-10BT, не скачивая весь набор данных. Преобразуем полученные записи в DataFrame и посмотрим на основные метаданные: URL, язык, оценку языка и число токенов. Также выведем все поля одной записи, чтобы лучше понять структуру набора.

N_DOCS = 3000
print(f"Streaming {N_DOCS} docs from FineWeb sample-10BT ...")
stream = load_dataset(
   "HuggingFaceFW/fineweb",
   name="sample-10BT",
   split="train",
   streaming=True,
)
docs = []
for i, doc in enumerate(tqdm(stream, total=N_DOCS)):
   docs.append(doc)
   if i + 1 >= N_DOCS:
       break
df = pd.DataFrame(docs)
print("\nColumns:", list(df.columns))
print(df[["url", "language", "language_score", "token_count"]].head(5))
ex = docs[0]
print("\n--- Example record (fields) ---")
for k, v in ex.items():
   preview = (v[:120] + "…") if isinstance(v, str) and len(v) > 120 else v
   print(f"{k:>16}: {preview}")

Упрощённые фильтры качества

Воспроизведём упрощённые фильтры качества в стиле Gopher и C4, а также собственные эвристики для очистки текста. Проверим документы на аномальное число слов, необычные характеристики слов, шаблонный текст, повторяющиеся строки и структуру, похожую на список. Затем подсчитаем, сколько документов прошло или не прошло фильтры. Поскольку выборка FineWeb уже очищена, большинство документов должно пройти проверку.

WORD = re.compile(r"\b\w+\b")
def gopher_quality(text):
   words = WORD.findall(text)
   n = len(words)
   if n < 50 or n > 100_000:
       return False, "word_count_out_of_range"
   mean_len = sum(len(w) for w in words) / n
   if mean_len < 3 or mean_len > 10:
       return False, "bad_mean_word_length"
   if (text.count("#") + text.count("...")) / n > 0.1:
       return False, "too_many_symbols"
   lines = text.split("\n")
   if lines and sum(l.lstrip().startswith(("•", "-", "*")) for l in lines) / len(lines) > 0.9:
       return False, "mostly_bullets"
   stops = {"the", "be", "to", "of", "and", "that", "have", "with"}
   if len(stops & {w.lower() for w in words}) < 2:
       return False, "too_few_stopwords"
   return True, "ok"
def c4_quality(text):
   lines = [l for l in text.split("\n") if l.strip()]
   if not lines:
       return False, "empty"
   low = text.lower()
   for bad in ("lorem ipsum", "javascript is disabled"):
       if bad in low:
           return False, f"boilerplate:{bad}"
   if text.count("{") > 0 and text.count("{") / max(len(lines), 1) > 0.5:
       return False, "too_many_braces"
   return True, "ok"
def fineweb_custom(text):
   lines = [l.strip() for l in text.split("\n") if l.strip()]
   if not lines:
       return False, "empty"
   dup_frac = 1 - len(set(lines)) / len(lines)
   if dup_frac > 0.3:
       return False, "duplicated_lines"
   short_frac = sum(len(l) < 30 for l in lines) / len(lines)
   if short_frac > 0.67 and len(lines) > 5:
       return False, "list_like"
   return True, "ok"
results = []
for d in docs:
   t = d["text"]
   g_ok, g_r = gopher_quality(t)
   c_ok, c_r = c4_quality(t)
   f_ok, f_r = fineweb_custom(t)
   reason = "kept" if (g_ok and c_ok and f_ok) else (g_r if not g_ok else c_r if not c_ok else f_r)
   results.append(reason)
filter_summary = pd.Series(results).value_counts()
print("\n--- Quality-filter outcomes on already-clean FineWeb data ---")
print("(Most pass: FineWeb is pre-filtered. Rejections show what the rules catch.)")
print(filter_summary)

Поиск близких дубликатов с помощью MinHash

Реализуем поиск близких дубликатов, чтобы приблизительно воспроизвести методы обнаружения повторяющихся или очень похожих документов в крупных веб-корпусах. Разобьём тексты на шинглы из слов, создадим сигнатуры MinHash и проиндексируем их с помощью Locality Sensitive Hashing (LSH). Затем получим пары-кандидаты. Чтобы подтвердить дубль, сравните исходные множества шинглов: индекс LSH не гарантирует соблюдение порога для каждой пары.

from datasketch import MinHash, MinHashLSH
def shingles(text, k=5):
   toks = WORD.findall(text.lower())
   return {" ".join(toks[i:i+k]) for i in range(max(len(toks) - k + 1, 1))}
NUM_PERM = 128
THRESHOLD = 0.7
lsh = MinHashLSH(threshold=THRESHOLD, num_perm=NUM_PERM)
minhashes = {}
for idx, d in enumerate(tqdm(docs, desc="MinHashing")):
   m = MinHash(num_perm=NUM_PERM)
   for s in shingles(d["text"]):
       m.update(s.encode("utf8"))
   minhashes[idx] = m
   lsh.insert(str(idx), m)
dup_pairs = set()
for idx, m in minhashes.items():
   for cand in lsh.query(m):
       c = int(cand)
       if c != idx:
           dup_pairs.add(tuple(sorted((idx, c))))
print(f"\nFound {len(dup_pairs)} candidate pairs from MinHash LSH (threshold {THRESHOLD}).")
if dup_pairs:
   a, b = next(iter(dup_pairs))
   j = minhashes[a].jaccard(minhashes[b])
   print(f"Example pair (estimated Jaccard ≈ {j:.2f}):")
   print("  DOC A:", docs[a]["text"][:160].replace("\n", " "), "…")
   print("  DOC B:", docs[b]["text"][:160].replace("\n", " "), "…")
else:
   print("No near-dupes in this slice — expected, since FineWeb is dedup'd per crawl.")

Проверка числа токенов

Проверим поле token_count, заново подсчитав токены с помощью токенизатора GPT-2 из библиотеки tiktoken. Сопоставим пересчитанные значения с сохранёнными в наборе данных и вычислим среднее абсолютное расхождение. Кроме того, оценим число символов на токен, чтобы получить представление об эффективности токенизатора на этой выборке.

import tiktoken
enc = tiktoken.get_encoding("gpt2")
check = docs[:200]
recomputed = [len(enc.encode(d["text"])) for d in tqdm(check, desc="Tokenizing")]
stored = [d["token_count"] for d in check]
diffs = np.array(recomputed) - np.array(stored)
print(f"\n--- Verifying token_count field (gpt2) on 200 docs ---")
print(f"Mean abs diff vs stored token_count: {np.abs(diffs).mean():.2f} tokens")
print(f"Exact matches: {(diffs == 0).mean()*100:.0f}%   (inspect differences before drawing conclusions)")
df["chars_per_token"] = df["text"].str.len() / df["token_count"].clip(lower=1)
print(f"Avg characters per token: {df['chars_per_token'].mean():.2f}")

Статистика по доменам и сводные результаты

Извлечём домены из URL и определим, какие из них чаще всего встречаются в выборке FineWeb. Построим графики распределения числа токенов, оценок языка, количества символов на токен и наиболее частых доменов. В завершение выведем сводку по числу документов, общему количеству токенов, медианной длине, уникальным доменам, оценке языка, дубликатам и результатам фильтрации.

df["domain"] = df["url"].apply(lambda u: urlparse(u).netloc.replace("www.", "") if isinstance(u, str) else "?")
top_domains = df["domain"].value_counts().head(15)
print("\n--- Top 15 domains in sample ---")
print(top_domains)
fig, axes = plt.subplots(2, 2, figsize=(14, 10))
axes[0, 0].hist(df["token_count"].clip(upper=4000), bins=50, color="#7b2d26")
axes[0, 0].set_title("Token count per document (gpt2)")
axes[0, 0].set_xlabel("tokens"); axes[0, 0].set_ylabel("docs")
axes[0, 1].hist(df["language_score"], bins=40, color="#2d5d7b")
axes[0, 1].axvline(0.65, color="red", ls="--", label="FineWeb cutoff 0.65")
axes[0, 1].set_title("fastText English language score")
axes[0, 1].set_xlabel("score"); axes[0, 1].legend()
axes[1, 0].hist(df["chars_per_token"].clip(upper=8), bins=40, color="#3f7b2d")
axes[1, 0].set_title("Characters per token (compression)")
axes[1, 0].set_xlabel("chars / token")
top_domains.iloc[::-1].plot(kind="barh", ax=axes[1, 1], color="#7b5d2d")
axes[1, 1].set_title("Top domains")
plt.tight_layout()
plt.show()
print("\n" + "=" * 70)
print("SUMMARY")
print("=" * 70)
print(f"Docs streamed          : {len(df):,}")
print(f"Total gpt2 tokens       : {df['token_count'].sum():,}")
print(f"Median tokens/doc       : {int(df['token_count'].median())}")
print(f"Unique domains          : {df['domain'].nunique():,}")
print(f"Mean language_score     : {df['language_score'].mean():.3f}")
print(f"Near-duplicate pairs    : {len(dup_pairs)}")
print(f"Docs flagged by filters : {(pd.Series(results) != 'kept').sum()} / {len(results)}")
print("\nNext steps:")
print("  • Swap name='sample-10BT' for a real crawl, e.g. name='CC-MAIN-2024-10'")
print("  • Raise N_DOCS for stronger statistics")
print("  • Use the full datatrove pipeline to reproduce FineWeb end-to-end")

В этом практическом разборе мы изучили основные этапы работы с крупными веб-наборами данных, такими как FineWeb: потоковую обработку, фильтрацию, дедупликацию и анализ корпуса для обучения языковых моделей. Пример показывает, как применить эвристики качества, найти кандидатов в дубликаты и сопоставить сохранённые числа токенов с пересчётом. Чтобы масштабировать анализ, можно использовать более крупную выборку FineWeb, увеличить число документов для получения более надёжной статистики или задействовать полный конвейер datatrove для воспроизведения обработки FineWeb.