ossdata 0.1.0

Scalable SWE datasets based on OSS

ossdata 🚀

ossdata 是一个命令行工具，用于将 Hugging Face 上的 SWE（Software Engineering）类数据集（如 SWE-bench）高效同步到私有 OSS（对象存储服务），并提供便捷的查询与统一的读取接口。每条数据将夹带 docker_image 字段，便于各个 agent 框架统一 rollout。

---

🌟 功能特性

• 一键上传：从 Hugging Face / JSON lines 加载数据集并推送到 OSS。
• 版本管理：使用 split@revision 构成唯一 version，支持多版本管理。
• 灵活查询：
  • 列出所有数据集
  • 查看某个数据集的所有版本
  • 查看某版本下的所有 instance_id
  • 根据 instance_id 和 key 快速获取字段值（如 problem_statement, patch 等）
• 结构化存储：在 OSS 中按 /{name}/{version}/{instance_id}.json 组织数据，便于集成训练/评测流水线。

---

📦 安装与配置

pip install git+http://gitlab.alibaba-inc.com/Qwen-Coder/ossdata.git

export OSS_ACCESS_KEY_ID=""
export OSS_ACCESS_KEY_SECRET=""
export OSS_REGION="ap-southeast-1"
export OSS_ENDPOINT="https://oss-ap-southeast-1-internal.aliyuncs.com"

---

🛠️ 使用方法

1. 上传数据集到 OSS

ossdata upload \
  --name "princeton-nlp/SWE-bench" \
  --split "test" \
  [--docker-image-prefix "code-agi-sg-docker-registry-vpc.ap-southeast-1.cr.aliyuncs.com/eflops/swe-rebench:"] \
  [--revision "{revision}"]

• 如果 name 以 .jsonl 结尾，则认为这是个 jsonl 文件；否则，从 HuggingFace 读取。
• 数据将被分片上传至 OSS，并按照 /{name}/{version}/{instance_id}.json 建立索引。如果提供了 revision，则version 将被记录为：{split}@{revision}，否则只有 {split}。
• 如果提供了docker-image-prefix，则每条数据将带有 docker_image 字段，内容是 {docker-image-prefix}{instance_id}。

---

2. 查看数据集列表

ossdata ls

输出示例：

princeton-nlp/SWE-bench
swebench/verified

---

3. 查看某个数据集的所有版本

ossdata ls --name "SWE-Env/SWE-Env"

输出示例：

v1
test

---

4. 查看某版本下的所有 instance ID

ossdata ls --name "princeton-nlp/SWE-bench_Verified" --version "test"

输出示例：

pandas__pandas-44271
scipy__scipy-16864
numpy__numpy-12039

---

5. 获取某个实例

支持数据集的各种字段，如 problem_statement, patch, docker_image

ossdata get \
  --instance-id "pandas__pandas-44271" \
  --name "princeton-nlp/SWE-bench" \
  --version "test" \
  [--key "problem_statement"]

• 如果提供了 key，则输出指定字段；否则，输出所有 json 内容。

---

Built with ❤️ for AI coding research.