G0DM0D3 compact-hf-telemetry 脚本解析9步指南搞懂遥测数据压缩与清洗【免费下载链接】G0DM0D3LIBERATED AI CHAT项目地址: https://gitcode.com/GitHub_Trending/g0/G0DM0D3在开源多模型 AI 聊天项目 G0DM0D3LIBERATED AI CHAT中compact-hf-telemetry 脚本 负责遥测数据压缩与清洗它把散落在数据集telemetry/目录下的海量 JSONL 事件文件按月归档成紧凑的月度档案并安全删除源文件。本文用通俗语言带你完整读懂它的 9 步工作流与 5 大安全机制帮你掌握数据压缩、清洗、校验的完整思路。为什么需要这个遥测数据压缩脚本G0DM0D3 的遥测系统分三级浏览器端的事件上报信标 把结构性元数据模型、延迟、管线配置等不含聊天内容批量发送到 Cloudflare 遥测代理后者再把事件以 JSONL 文件形式持续写入 Hugging Face 数据集仓库。随着时间推移telemetry/目录下会堆积大量小文件早期按次提交模式遗留。文件数爆炸会导致数据集仓库浏览和下载变慢commit 历史难以维护后续数据分析需要逐个下载小文件效率极低无法快速按时间维度按月切片查询这个压缩脚本就是为此生的数据维护工具下载 → 清洗 → 按月归档 → 校验 → 删除旧文件。快速上手两条命令搞定脚本默认只读dry-run只有显式加--apply才会真正写入误操作风险极低# 第一步先跑 dry-run只统计不落盘 node scripts/compact-hf-telemetry.mjs # 第二步确认结果无误后正式执行归档 删除 node scripts/compact-hf-telemetry.mjs --apply前提条件是配置一个对目标数据集有写权限的HF_TOKEN环境变量可另用HF_DATASET_REPO、HF_DATASET_BRANCH指定仓库与分支见脚本头部说明。9 步工作流全解析整个流程在 main 函数 中按顺序执行可以理解为打包搬家先清点物品、装箱贴单、核对清单确认无误后才把旧箱子扔掉。步骤 1-2分页清点与断点检测分页列出全部文件通过 listAllFiles 借助游标cursor翻页拉取telemetry/下所有.jsonl文件突破单页 1000 条的上限一个不漏。断点检测用排序后的源文件清单计算 SHA-256 哈希前 12 位作为运行 IDderiveRunId归档目录固定为archive/legacy/runId/。脚本会检查是否已有相同 runId 的manifest.json若清单中的源文件已有部分被删除 → 判定为上次中断直接续传删除绝不从缩减后的文件集重建档案若清单完全匹配且校验和通过 → 跳过下载直接进入删除阶段。步骤 3下载 解析 清洗fail-closed逐个下载源文件并按行解析 JSONStep 3每行是一条遥测事件按timestamp字段归入YYYY-MM月份桶时间戳缺失的归入unknown桶无法解析的行不算脏数据丢弃而是完整保留到invalid-records.json中单独归档保证清洗不丢信息fail-closed 原则只要有 1 个文件下载失败立即中止并报错绝不带着不完整的数据继续。步骤 4-5构建月度档案与数量核对每个月份桶拼成一个telemetry-YYYY-MM.jsonl档案文件逐一计算SHA-256 校验和Step 4紧接着生成manifest.json清单源文件数、总字节数、完整源文件路径列表断点续传的关键、事件总数、各档案校验和数量核对Step 5档案事件总数 解析事件总数任何不等直接中止零修改退出。dry-run 到这一步就会打印完整的将要上传什么、将要删除多少文件的预估报告后退出。步骤 6-7幂等上传 全量回读校验幂等上传Step 6先检查远程是否已存在校验和一致的 manifest是则跳过上传重复执行不会造成重复 commit回读校验Step 7把刚上传的每个档案、manifest、invalid-records 全部重新下载一遍比对 SHA-256任何一个不匹配就中止——此时绝不允许删除源文件。步骤 8-9批量删除与删后复核源文件按每批 50 个DELETE_BATCH_SIZE分批提交删除Step 8避免单次 commit 过大删完后再全量重列telemetry/确认清单中所有源文件确实消失Step 9若有残留则报错退出提示重跑--apply补齐。新增的、不在清单内的文件不受影响。5 大安全设计亮点值得借鉴机制作用️dry-run 默认不加--apply绝不产生任何写操作⛔fail-closed任一下载失败立即中止不拿数据完整性赌运气可断点续传runId 由源清单哈希推导中断后重跑自动定位进度全量校验和上传后逐一回读比对 SHA-256校验不过不删除️删后复核删除后重新列表确认清零残留即报错这套先备份、再校验、后删除、删完再查的流水线是任何数据迁移/压缩任务都可以套用的安全模板。与遥测数据链路的关系浏览器信标(src/lib/telemetry.ts) │ 批量上报元数据 ▼ Cloudflare 遥测代理(functions/api/telemetry.ts) │ 缓冲后批量提交 JSONL ▼ Hugging Face 数据集仓库 ├─ incoming_v2/ ← 新数据写入路径按日分区 ├─ telemetry/ ← 历史遗留文件本脚本的压缩对象 └─ archive/legacy/ ← 本脚本生成的月度档案 manifest相关文档可进一步参考README 数据流说明、PAPER 中三级遥测架构 与 TERMS 遥测条款。脚本完整源码见 scripts/compact-hf-telemetry.mjs。总结compact-hf-telemetry用约 550 行代码演示了一个教科书级的遥测数据压缩与清洗流程分页清点、按月归档、坏行保留、SHA-256 双向校验、幂等上传、分批删除与删后复核。对新手而言它最大的价值在于展示了安全地改动生产数据的完整防御姿态——每一处删除背后都站着三道保险。如果你也想为自己的数据集做归档维护可以直接参考 脚本 的分步结构与校验逻辑改改路径就能复用。【免费下载链接】G0DM0D3LIBERATED AI CHAT项目地址: https://gitcode.com/GitHub_Trending/g0/G0DM0D3创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
G0DM0D3 compact-hf-telemetry 脚本解析：9步指南搞懂遥测数据压缩与清洗
G0DM0D3 compact-hf-telemetry 脚本解析9步指南搞懂遥测数据压缩与清洗【免费下载链接】G0DM0D3LIBERATED AI CHAT项目地址: https://gitcode.com/GitHub_Trending/g0/G0DM0D3在开源多模型 AI 聊天项目 G0DM0D3LIBERATED AI CHAT中compact-hf-telemetry 脚本 负责遥测数据压缩与清洗它把散落在数据集telemetry/目录下的海量 JSONL 事件文件按月归档成紧凑的月度档案并安全删除源文件。本文用通俗语言带你完整读懂它的 9 步工作流与 5 大安全机制帮你掌握数据压缩、清洗、校验的完整思路。为什么需要这个遥测数据压缩脚本G0DM0D3 的遥测系统分三级浏览器端的事件上报信标 把结构性元数据模型、延迟、管线配置等不含聊天内容批量发送到 Cloudflare 遥测代理后者再把事件以 JSONL 文件形式持续写入 Hugging Face 数据集仓库。随着时间推移telemetry/目录下会堆积大量小文件早期按次提交模式遗留。文件数爆炸会导致数据集仓库浏览和下载变慢commit 历史难以维护后续数据分析需要逐个下载小文件效率极低无法快速按时间维度按月切片查询这个压缩脚本就是为此生的数据维护工具下载 → 清洗 → 按月归档 → 校验 → 删除旧文件。快速上手两条命令搞定脚本默认只读dry-run只有显式加--apply才会真正写入误操作风险极低# 第一步先跑 dry-run只统计不落盘 node scripts/compact-hf-telemetry.mjs # 第二步确认结果无误后正式执行归档 删除 node scripts/compact-hf-telemetry.mjs --apply前提条件是配置一个对目标数据集有写权限的HF_TOKEN环境变量可另用HF_DATASET_REPO、HF_DATASET_BRANCH指定仓库与分支见脚本头部说明。9 步工作流全解析整个流程在 main 函数 中按顺序执行可以理解为打包搬家先清点物品、装箱贴单、核对清单确认无误后才把旧箱子扔掉。步骤 1-2分页清点与断点检测分页列出全部文件通过 listAllFiles 借助游标cursor翻页拉取telemetry/下所有.jsonl文件突破单页 1000 条的上限一个不漏。断点检测用排序后的源文件清单计算 SHA-256 哈希前 12 位作为运行 IDderiveRunId归档目录固定为archive/legacy/runId/。脚本会检查是否已有相同 runId 的manifest.json若清单中的源文件已有部分被删除 → 判定为上次中断直接续传删除绝不从缩减后的文件集重建档案若清单完全匹配且校验和通过 → 跳过下载直接进入删除阶段。步骤 3下载 解析 清洗fail-closed逐个下载源文件并按行解析 JSONStep 3每行是一条遥测事件按timestamp字段归入YYYY-MM月份桶时间戳缺失的归入unknown桶无法解析的行不算脏数据丢弃而是完整保留到invalid-records.json中单独归档保证清洗不丢信息fail-closed 原则只要有 1 个文件下载失败立即中止并报错绝不带着不完整的数据继续。步骤 4-5构建月度档案与数量核对每个月份桶拼成一个telemetry-YYYY-MM.jsonl档案文件逐一计算SHA-256 校验和Step 4紧接着生成manifest.json清单源文件数、总字节数、完整源文件路径列表断点续传的关键、事件总数、各档案校验和数量核对Step 5档案事件总数 解析事件总数任何不等直接中止零修改退出。dry-run 到这一步就会打印完整的将要上传什么、将要删除多少文件的预估报告后退出。步骤 6-7幂等上传 全量回读校验幂等上传Step 6先检查远程是否已存在校验和一致的 manifest是则跳过上传重复执行不会造成重复 commit回读校验Step 7把刚上传的每个档案、manifest、invalid-records 全部重新下载一遍比对 SHA-256任何一个不匹配就中止——此时绝不允许删除源文件。步骤 8-9批量删除与删后复核源文件按每批 50 个DELETE_BATCH_SIZE分批提交删除Step 8避免单次 commit 过大删完后再全量重列telemetry/确认清单中所有源文件确实消失Step 9若有残留则报错退出提示重跑--apply补齐。新增的、不在清单内的文件不受影响。5 大安全设计亮点值得借鉴机制作用️dry-run 默认不加--apply绝不产生任何写操作⛔fail-closed任一下载失败立即中止不拿数据完整性赌运气可断点续传runId 由源清单哈希推导中断后重跑自动定位进度全量校验和上传后逐一回读比对 SHA-256校验不过不删除️删后复核删除后重新列表确认清零残留即报错这套先备份、再校验、后删除、删完再查的流水线是任何数据迁移/压缩任务都可以套用的安全模板。与遥测数据链路的关系浏览器信标(src/lib/telemetry.ts) │ 批量上报元数据 ▼ Cloudflare 遥测代理(functions/api/telemetry.ts) │ 缓冲后批量提交 JSONL ▼ Hugging Face 数据集仓库 ├─ incoming_v2/ ← 新数据写入路径按日分区 ├─ telemetry/ ← 历史遗留文件本脚本的压缩对象 └─ archive/legacy/ ← 本脚本生成的月度档案 manifest相关文档可进一步参考README 数据流说明、PAPER 中三级遥测架构 与 TERMS 遥测条款。脚本完整源码见 scripts/compact-hf-telemetry.mjs。总结compact-hf-telemetry用约 550 行代码演示了一个教科书级的遥测数据压缩与清洗流程分页清点、按月归档、坏行保留、SHA-256 双向校验、幂等上传、分批删除与删后复核。对新手而言它最大的价值在于展示了安全地改动生产数据的完整防御姿态——每一处删除背后都站着三道保险。如果你也想为自己的数据集做归档维护可以直接参考 脚本 的分步结构与校验逻辑改改路径就能复用。【免费下载链接】G0DM0D3LIBERATED AI CHAT项目地址: https://gitcode.com/GitHub_Trending/g0/G0DM0D3创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考