Add Text Column Extract Gradio app

README.md

@@ -1,13 +1,87 @@
 ---
 title: Text Column Extract
-emoji: 🔥
-colorFrom: yellow
-colorTo: green
+emoji: 🧲
+colorFrom: indigo
+colorTo: purple
 sdk: gradio
 sdk_version: 6.28.0
-python_version: '3.12'
 app_file: app.py
 pinned: false
+license: mit
+hf_oauth: true
+hf_oauth_expiration_minutes: 480
+hf_oauth_scopes:
+  - email
+  - read-repos
+  - write-repos
+  - manage-repos
 ---
 
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+# 🧲 Text Column Extract
+
+App Gradio để **trích xuất một cột text** từ một dataset trên Hugging Face Hub và ghi nó
+thành **một split** của một dataset khác — dùng thư viện [`datasets`](https://huggingface.co/docs/datasets).
+
+## Tính năng
+
+- **Đăng nhập bằng tài khoản Hugging Face** (OAuth của Spaces) hoặc dán Access Token thủ công.
+- Nhập **dataset nguồn**: `repo`, `subset` (config), `split`, `column_name`.
+- Nhập **dataset đích**: `repo` (tự do — không hard-code namespace nào), `config`, `split`.
+- Nút **✨ Generate split name** sinh tên split mặc định từ `repo + subset` của nguồn
+  (tuỳ chọn thêm cả tên split gốc), đã chuẩn hoá theo ràng buộc tên split của `datasets`.
+- Nút **🔎 Kiểm tra dataset nguồn**: liệt kê subset, split, số cột, số dòng và kiểm tra
+  cột cần trích xuất có tồn tại hay không (không cần tải dữ liệu).
+- Ghi kết quả dạng **Parquet** lên Hub, có 3 chế độ khi split đã tồn tại:
+  - **Ghi đè**: xoá file cũ của đúng split đó rồi đẩy mới.
+  - **Nối thêm**: đọc split cũ, kiểm tra cột khớp, rồi gộp lại.
+  - **Báo lỗi**: dừng lại nếu split đã tồn tại.
+- Tuỳ chọn nâng cao: `revision`, đổi tên cột ở output, giới hạn số dòng, `num_proc`,
+  `streaming` cho dataset rất lớn, `max_shard_size`, commit message, repo private.
+- Nhật ký chạy trực tiếp + xem trước 5 dòng đầu + snippet `load_dataset` sau khi xong.
+
+## Cách dùng nhanh
+
+1. Bấm **Đăng nhập bằng tài khoản Hugging Face** (hoặc dán token có quyền *Write*).
+2. Điền nguồn, ví dụ: `repo = nyu-mll/glue`, `subset = mrpc`, `split = train`, `column = sentence1`.
+3. Điền đích, ví dụ: `repo = ten-user/my-text-corpus`, rồi bấm **Generate split name** → `glue_mrpc`.
+4. Bấm **🚀 Trích xuất & đẩy lên Hub**.
+
+Kết quả nằm ở:
+
+```python
+from datasets import load_dataset
+
+ds = load_dataset("ten-user/my-text-corpus", split="glue_mrpc")
+```
+
+## Cấu trúc file dữ liệu trên Hub
+
+| Output config | Đường dẫn file |
+| --- | --- |
+| `default` | `data/<split>-00000-of-00001.parquet` |
+| khác `default` | `<config>/<split>-00000-of-00001.parquet` |
+
+Tên split chỉ được chứa chữ, số, `_` và dấu `.` phân cấp
+(ràng buộc `^\w+(\.\w+)*$` của thư viện `datasets`).
+
+> ⚠️ **Lưu ý:** mọi split trong **cùng một config** phải có **cùng tên cột** (ràng buộc của
+> `datasets`). Nếu bạn đổi tên cột ở output, hãy ghi vào một **Output config khác**
+> (ví dụ `vi` thay vì `default`).
+
+## Ghi chú kỹ thuật
+
+- Token được giữ trong `gr.State` của từng phiên trình duyệt, không ghi ra file của Space.
+- OAuth của Space xin các scope `read-repos`, `write-repos`, `manage-repos` để có thể tạo
+  repo và đẩy dữ liệu thay mặt người dùng.
+- Nếu Space được cấu hình secret `HF_TOKEN`, app vẫn dùng được khi chưa đăng nhập.
+- Chạy local: `pip install -r requirements.txt && python app.py`
+  (cần `HF_TOKEN` trong môi trường để Gradio mock OAuth khi phát triển ngoài Space).
+
+## Triển khai
+
+Space này chạy bằng **SDK `gradio`** (`app.py` + `requirements.txt`, gradio do image của
+Hugging Face cung cấp) trên hardware **ZeroGPU** — mức miễn phí cho tài khoản cá nhân
+(2 Gradio Space / tài khoản). App chỉ dùng CPU nên không cần `@spaces.GPU`.
+
+Ngoài ra repo còn kèm sẵn `Dockerfile` + `requirements.docker.txt` nếu bạn muốn chạy bằng
+**SDK `docker`** (khi đó sửa metadata thành `sdk: docker` và `app_port: 7860`).

app.py

@@ -0,0 +1,810 @@
+"""
+Text Column Extract
+===================
+
+Gradio Space: trích xuất **một cột text** từ một dataset (repo / subset / split)
+trên Hugging Face Hub và ghi nó thành **một split** của một dataset khác.
+
+Luồng sử dụng:
+    1. Đăng nhập (bằng tài khoản HF qua OAuth, hoặc dán Access Token).
+    2. Nhập dataset nguồn: repo id, subset (config), split, tên cột text.
+    3. Nhập dataset đích: repo id (tự do, KHÔNG hard-code namespace nào), tên split
+       (nút "Generate split name" sinh mặc định từ repo + subset nguồn).
+    4. Bấm "Trích xuất & đẩy lên Hub".
+
+Toàn bộ thao tác đọc/ghi đều dùng thư viện `datasets` + `huggingface_hub`.
+"""
+
+from __future__ import annotations
+
+import os
+import re
+import traceback
+from typing import Optional
+
+import gradio as gr
+from datasets import (
+    concatenate_datasets,
+    get_dataset_config_info,
+    get_dataset_config_names,
+    get_dataset_split_names,
+    load_dataset,
+)
+from huggingface_hub import CommitOperationDelete, HfApi, login, logout, whoami
+
+# ---------------------------------------------------------------------------
+# Hằng số / cấu hình
+# ---------------------------------------------------------------------------
+
+#: Regex hợp lệ cho tên split của thư viện `datasets` (datasets.splits._split_re).
+SPLIT_RE = re.compile(r"^\w+(\.\w+)*$")
+
+PUSH_MODES = {
+    "Ghi đè split đã tồn tại": "overwrite",
+    "Nối thêm vào split đã tồn tại": "append",
+    "Báo lỗi nếu split đã tồn tại": "error",
+}
+
+MAX_SPLIT_NAME_LEN = 96
+
+#: Gradio 6 đổi `show_copy_button` -> `buttons`; giữ tương thích cả Gradio 5 và 6.
+GRADIO_MAJOR = int(str(getattr(gr, "__version__", "5")).split(".")[0])
+COPY_BUTTON_KWARGS = {"buttons": ["copy"]} if GRADIO_MAJOR >= 6 else {"show_copy_button": True}
+
+CSS = """
+.gradio-container {max-width: 1180px !important;}
+#extract-btn {min-height: 52px; font-size: 1.05rem; font-weight: 600;}
+#log-box textarea {font-family: ui-monospace, SFMono-Regular, Menlo, monospace; font-size: .82rem;}
+"""
+
+
+# ---------------------------------------------------------------------------
+# Tiện ích
+# ---------------------------------------------------------------------------
+
+
+def _clean(value: Optional[str]) -> str:
+    """Chuẩn hoá input dạng chuỗi."""
+    return value.strip() if isinstance(value, str) else ""
+
+
+def _as_token(value) -> Optional[str]:
+    """Chấp nhận cả `str` và `gr.OAuthToken` -> trả về chuỗi token."""
+    if value is None:
+        return None
+    if isinstance(value, str):
+        return value.strip() or None
+    token = getattr(value, "token", None)  # gr.OAuthToken
+    return str(token).strip() if token else None
+
+
+def resolve_token(*candidates) -> Optional[str]:
+    """Lấy token theo thứ tự ưu tiên: session -> OAuth -> biến môi trường của Space."""
+    for candidate in list(candidates) + [
+        os.environ.get("HF_TOKEN"),
+        os.environ.get("HUGGING_FACE_HUB_TOKEN"),
+    ]:
+        token = _as_token(candidate)
+        if token:
+            return token
+    return None
+
+
+def token_user(token: Optional[str]) -> Optional[str]:
+    """Trả về username nếu token hợp lệ, ngược lại trả về None."""
+    if not token:
+        return None
+    try:
+        info = whoami(token=token)
+    except Exception:  # noqa: BLE001
+        return None
+    if isinstance(info, dict):
+        return info.get("name") or info.get("user") or "unknown"
+    return "unknown"
+
+
+def profile_username(profile) -> Optional[str]:
+    """Lấy username từ `gr.OAuthProfile` (dict-like)."""
+    if not profile:
+        return None
+    for key in ("preferred_username", "username", "name", "sub"):
+        try:
+            value = profile.get(key) if hasattr(profile, "get") else getattr(profile, key, None)
+        except Exception:  # noqa: BLE001
+            value = None
+        if value:
+            return str(value)
+    return None
+
+
+def sanitize_split_name(name: str) -> str:
+    """Chuyển một chuỗi bất kỳ thành tên split hợp lệ với thư viện datasets."""
+    name = re.sub(r"[^0-9A-Za-z]+", "_", name or "")
+    name = name.strip("_")[:MAX_SPLIT_NAME_LEN].strip("_")
+    return name
+
+
+def build_default_split_name(in_repo: str, in_subset: str, in_split: str, include_split: bool) -> str:
+    """Sinh tên split mặc định từ repo nguồn + subset (+ split gốc nếu được chọn)."""
+    repo_name = _clean(in_repo).rstrip("/").split("/")[-1]
+    parts = [repo_name]
+    if _clean(in_subset):
+        parts.append(_clean(in_subset))
+    if include_split and _clean(in_split):
+        parts.append(_clean(in_split))
+    return sanitize_split_name("_".join(p for p in parts if p)) or "train"
+
+
+def data_dir_for(config_name: str) -> str:
+    """Thư mục chứa parquet trong repo đích (khớp với `Dataset.push_to_hub`)."""
+    return config_name if config_name != "default" else "data"
+
+
+def shard_prefixes(data_dir: str, split: str) -> list[str]:
+    """Các tiền tố file thuộc đúng một split trong repo dataset."""
+    return [f"{data_dir}/{split}-", f"{data_dir}/{split}.parquet"]
+
+
+def login_badge() -> str:
+    return "⚠️ **Chưa đăng nhập.** Dùng nút OAuth ở trên, hoặc dán Access Token."
+
+
+# ---------------------------------------------------------------------------
+# Đăng nhập / đăng xuất
+# ---------------------------------------------------------------------------
+
+
+def on_page_load(
+    profile: Optional[gr.OAuthProfile],
+    oauth_token: Optional[gr.OAuthToken],
+    session_token: Optional[str],
+):
+    """Chạy khi trang tải (và sau mỗi lần OAuth đăng nhập/đăng xuất)."""
+    token = resolve_token(session_token, oauth_token)
+    user = token_user(token)
+    if user:
+        scope = getattr(oauth_token, "scope", "") or ""
+        extra = f" _(OAuth scope: `{scope}`)_" if scope else ""
+        return session_token, f"✅ **Đã đăng nhập:** `{user}`{extra}"
+    name = profile_username(profile)
+    if name:
+        return session_token, (
+            f"👤 Tài khoản OAuth: `{name}` — nhưng chưa nhận được access token có quyền ghi. "
+            "Hãy cấp quyền `write-repos` / `manage-repos`, hoặc dán Access Token."
+        )
+    return session_token, login_badge()
+
+
+def do_token_login(raw_token: str, session_token: Optional[str]):
+    """Đăng nhập bằng Access Token dán tay."""
+    token = _clean(raw_token) or _as_token(session_token)
+    if not token:
+        return session_token, "❌ Bạn chưa nhập token."
+
+    user = token_user(token)
+    if not user:
+        return (
+            session_token,
+            "❌ Token không hợp lệ hoặc đã hết hạn. Tạo token mới tại "
+            "https://huggingface.co/settings/tokens (cần quyền **Write**).",
+        )
+    try:  # best-effort: để các thư viện con dùng lại khi không truyền token
+        login(token=token, add_to_git_credential=False)
+    except Exception:  # noqa: BLE001
+        pass
+    return token, f"✅ **Đã đăng nhập:** `{user}`"
+
+
+def do_logout(session_token: Optional[str]):
+    if session_token:
+        try:
+            logout(token=session_token)
+        except Exception:  # noqa: BLE001
+            pass
+    return None, "👋 Đã xoá token khỏi phiên làm việc này."
+
+
+# ---------------------------------------------------------------------------
+# Nút "Generate split name"
+# ---------------------------------------------------------------------------
+
+
+def generate_split_name(in_repo: str, in_subset: str, in_split: str, include_split: bool):
+    name = build_default_split_name(in_repo, in_subset, in_split, include_split)
+    if not SPLIT_RE.match(name):
+        name = "train"
+    return name, f"Đã sinh tên split: `{name}` — bạn có thể sửa lại tuỳ ý."
+
+
+# ---------------------------------------------------------------------------
+# Kiểm tra dataset nguồn
+# ---------------------------------------------------------------------------
+
+
+def inspect_source(
+    oauth_token: Optional[gr.OAuthToken],
+    session_token: Optional[str],
+    in_repo: str,
+    in_subset: str,
+    in_column: str,
+    in_revision: str,
+):
+    token = resolve_token(session_token, oauth_token)
+    repo = _clean(in_repo)
+    subset = _clean(in_subset) or None
+    column = _clean(in_column)
+    revision = _clean(in_revision) or None
+
+    if not repo:
+        return "❌ Chưa nhập **Input repo**."
+    if not token:
+        return "❌ Chưa đăng nhập. Hãy đăng nhập trước khi kiểm tra."
+
+    lines: list[str] = []
+    try:
+        configs = get_dataset_config_names(repo, token=token, revision=revision)
+    except Exception as exc:  # noqa: BLE001
+        return f"❌ Không đọc được dataset `{repo}`.\n\n```\n{type(exc).__name__}: {exc}\n```"
+
+    lines.append(f"### 🔎 `{repo}`")
+    if len(configs) == 1 and configs[0] == "default":
+        lines.append("- **Subset (config):** `default` — dataset chỉ có 1 subset.")
+    else:
+        shown = ", ".join(f"`{c}`" for c in configs[:25])
+        if len(configs) > 25:
+            shown += f" … (+{len(configs) - 25})"
+        lines.append(f"- **Số subset:** {len(configs)} → {shown}")
+        if subset and subset not in configs:
+            lines.append(f"- ⚠️ Subset `{subset}` **không** nằm trong danh sách trên.")
+
+    try:
+        splits = get_dataset_split_names(repo, config_name=subset, token=token, revision=revision)
+        lines.append(f"- **Splits của `{subset or 'default'}`:** " + ", ".join(f"`{s}`" for s in splits))
+    except Exception as exc:  # noqa: BLE001
+        lines.append(f"- ⚠️ Không đọc được splits: `{type(exc).__name__}: {exc}`")
+
+    try:
+        info = get_dataset_config_info(repo, config_name=subset, token=token, revision=revision)
+        columns = list(info.features.keys())
+        lines.append(f"- **Số cột:** {len(columns)}")
+        lines.append("- **Các cột:** " + ", ".join(f"`{c}`" for c in columns[:80]))
+        if column:
+            if column in columns:
+                lines.append(f"- ✅ Cột **`{column}`** tồn tại.")
+            else:
+                lines.append(f"- ❌ Cột **`{column}`** KHÔNG tồn tại trong dataset này.")
+        sizes = [
+            f"`{k}`: {v.num_examples:,}"
+            for k, v in (getattr(info, "splits", None) or {}).items()
+            if v.num_examples
+        ]
+        if sizes:
+            lines.append("- **Số dòng:** " + ", ".join(sizes))
+    except Exception as exc:  # noqa: BLE001
+        lines.append(f"- ⚠️ Không đọc được thông tin cột: `{type(exc).__name__}: {exc}`")
+
+    return "\n".join(lines)
+
+
+# ---------------------------------------------------------------------------
+# Trích xuất & đẩy lên Hub (generator để log chạy trực tiếp)
+# ---------------------------------------------------------------------------
+
+
+def extract_and_push(
+    oauth_token: Optional[gr.OAuthToken],
+    session_token: Optional[str],
+    in_repo: str,
+    in_subset: str,
+    in_split: str,
+    in_column: str,
+    in_revision: str,
+    out_column: str,
+    max_rows: float,
+    num_proc: float,
+    streaming: bool,
+    out_repo: str,
+    out_config: str,
+    out_split: str,
+    out_private: bool,
+    push_mode_label: str,
+    set_default: bool,
+    max_shard_size: str,
+    commit_message: str,
+    progress=gr.Progress(),
+):
+    logs: list[str] = []
+
+    def snapshot(status: str = "⏳ Đang xử lý…"):
+        return status, "\n".join(logs), None
+
+    def log(message: str = "") -> tuple:
+        logs.append(str(message))
+        print(message, flush=True)
+        return snapshot()
+
+    def fail(message: str):
+        log("")
+        log(f"❌ LỖI: {message}")
+        return f"### ❌ Thất bại\n\n{message}", "\n".join(logs), None
+
+    try:
+        # ---------------- 0. Token & kiểm tra đầu vào ----------------
+        token = resolve_token(session_token, oauth_token)
+        if not token:
+            yield fail("Bạn cần **đăng nhập** trước (OAuth hoặc Access Token).")
+            return
+        user = token_user(token)
+        if not user:
+            yield fail("Token không hợp lệ hoặc đã hết hạn.")
+            return
+
+        repo = _clean(in_repo)
+        subset = _clean(in_subset) or None
+        split = _clean(in_split)
+        column = _clean(in_column)
+        revision = _clean(in_revision) or None
+        out_repo_id = _clean(out_repo)
+        out_cfg = _clean(out_config) or "default"
+        out_split_name = _clean(out_split)
+        target_column = _clean(out_column) or column
+        mode = PUSH_MODES.get(push_mode_label, "overwrite")
+        n_rows = int(max_rows or 0)
+        n_proc = int(num_proc or 0)
+        shard_size = _clean(max_shard_size) or None
+
+        if not repo:
+            yield fail("Chưa nhập **Input repo**.")
+            return
+        if not split:
+            yield fail("Chưa nhập **Input split**.")
+            return
+        if not column:
+            yield fail("Chưa nhập **tên cột text** cần trích xuất.")
+            return
+        if not out_repo_id:
+            yield fail("Chưa nhập **Output repo** (ví dụ: `ten-user/ten-dataset`).")
+            return
+        if not out_split_name:
+            yield fail("Chưa nhập **Output split**. Hãy bấm nút *Generate split name*.")
+            return
+        if not SPLIT_RE.match(out_split_name):
+            yield fail(
+                f"Tên split `{out_split_name}` không hợp lệ (chỉ cho phép chữ, số, `_`, "
+                f"và dấu `.` phân cấp). Gợi ý: `{sanitize_split_name(out_split_name)}`."
+            )
+            return
+        if out_cfg == "data":
+            yield fail("Tên config không được là `data`.")
+            return
+        if streaming and mode == "append":
+            yield fail("Chế độ **streaming** không hỗ trợ nối vào split đã có. Hãy tắt streaming.")
+            return
+
+        log(f"👤 Tài khoản: {user}")
+        log("─" * 62)
+        log("📥 NGUỒN")
+        log(f"   repo    : {repo}")
+        log(f"   subset  : {subset or '(default)'}")
+        log(f"   split   : {split}")
+        log(f"   cột     : {column}" + (f"  →  đổi tên thành '{target_column}'" if target_column != column else ""))
+        if revision:
+            log(f"   revision: {revision}")
+        log("📤 ĐÍCH")
+        log(f"   repo    : {out_repo_id}")
+        log(f"   config  : {out_cfg}")
+        log(f"   split   : {out_split_name}")
+        log(f"   mode    : {mode}")
+        log("─" * 62)
+        yield snapshot("⏳ Đang tải dataset nguồn…")
+
+        # ---------------- 1. Tải dataset nguồn ----------------
+        progress(0.05, desc="Đang tải dataset nguồn…")
+        load_kwargs: dict = {
+            "split": split,
+            "token": token,
+            "revision": revision,
+            "streaming": bool(streaming),
+        }
+        if subset:
+            load_kwargs["name"] = subset
+        if n_proc > 1 and not streaming:
+            load_kwargs["num_proc"] = n_proc
+
+        source = load_dataset(repo, **load_kwargs)
+
+        columns = list(source.column_names or [])
+        if column not in columns:
+            yield fail(
+                f"Cột `{column}` không tồn tại trong `{repo}` / `{subset or 'default'}` / `{split}`.\n\n"
+                f"Các cột hiện có: {', '.join(f'`{c}`' for c in columns[:60])}"
+            )
+            return
+
+        # ---------------- 2. Trích xuất cột ----------------
+        progress(0.2, desc="Đang trích xuất cột…")
+        yield log("⏳ Đang trích xuất cột…")
+        extracted = source.select_columns([column])
+        del source
+        if target_column != column:
+            extracted = extracted.rename_column(column, target_column)
+            yield log(f"✏️ Đã đổi tên cột `{column}` → `{target_column}`.")
+
+        if n_rows > 0:
+            if streaming:
+                extracted = extracted.take(n_rows)
+            else:
+                extracted = extracted.select(range(min(n_rows, len(extracted))))
+            yield log(f"🔢 Giới hạn còn tối đa {n_rows:,} dòng.")
+
+        if not streaming:
+            yield log(f"✅ Đã trích xuất {len(extracted):,} dòng (cột `{target_column}`).")
+
+        # ---------------- 3. Xử lý repo/split đích ----------------
+        api = HfApi(token=token)
+        data_dir = data_dir_for(out_cfg)
+        prefixes = shard_prefixes(data_dir, out_split_name)
+
+        existing_files: list[str] = []
+        repo_files: list[str] = []
+        try:
+            repo_files = list(api.list_repo_files(out_repo_id, repo_type="dataset", token=token))
+            existing_files = [f for f in repo_files if any(f.startswith(p) for p in prefixes)]
+            yield log(
+                f"📦 Repo đích đã tồn tại — có {len(existing_files)} file thuộc split `{out_split_name}`."
+            )
+        except Exception as exc:  # noqa: BLE001
+            yield log(f"ℹ️ Repo đích chưa tồn tại / chưa truy cập được ({type(exc).__name__}). Sẽ tạo mới.")
+
+        # `datasets` chỉ cho phép một config mặc định: nếu repo đã có config `default`
+        # (thư mục `data/`) thì không thể set_default cho config khác.
+        if out_cfg != "default" and set_default and any(f.startswith("data/") for f in repo_files):
+            set_default = False
+            yield log("ℹ️ Repo đã có config `default` → bỏ qua `set_default` cho config mới.")
+
+        if existing_files and mode == "error":
+            yield fail(
+                f"Split `{out_split_name}` đã tồn tại trong `{out_repo_id}` ({len(existing_files)} file). "
+                "Hãy chọn chế độ *Ghi đè* hoặc *Nối thêm*."
+            )
+            return
+
+        if mode == "append" and existing_files:
+            progress(0.35, desc="Đang đọc split cũ để nối…")
+            yield log("⏳ Đang đọc split đã tồn tại để nối thêm…")
+            try:
+                existing = load_dataset(
+                    out_repo_id,
+                    name=out_cfg if out_cfg != "default" else None,
+                    split=out_split_name,
+                    token=token,
+                )
+            except Exception as exc:  # noqa: BLE001
+                yield fail(f"Không đọc được split cũ `{out_split_name}` để nối: {exc}")
+                return
+
+            if list(existing.column_names) != list(extracted.column_names):
+                yield fail(
+                    "Không thể nối: cột của split cũ và dữ liệu mới khác nhau.\n\n"
+                    f"- Split cũ    : {existing.column_names}\n"
+                    f"- Dữ liệu mới : {extracted.column_names}"
+                )
+                return
+            yield log(f"➕ Split cũ {len(existing):,} dòng + mới {len(extracted):,} dòng.")
+            extracted = concatenate_datasets([existing, extracted])
+            del existing
+
+        if existing_files and mode in ("overwrite", "append"):
+            progress(0.45, desc="Đang xoá dữ liệu cũ của split…")
+            yield log(f"🗑️ Xoá {len(existing_files)} file cũ của split `{out_split_name}`…")
+            api.create_commit(
+                repo_id=out_repo_id,
+                repo_type="dataset",
+                operations=[CommitOperationDelete(path_in_repo=f) for f in existing_files],
+                commit_message=f"Remove previous data of split '{out_split_name}'",
+                token=token,
+            )
+
+        # `datasets` yêu cầu mọi split trong CÙNG một config phải có cùng tên cột.
+        if repo_files:
+            try:
+                out_info = get_dataset_config_info(
+                    out_repo_id,
+                    config_name=out_cfg if out_cfg != "default" else None,
+                    token=token,
+                )
+                existing_columns = list(out_info.features.keys())
+            except Exception:  # noqa: BLE001
+                existing_columns = []
+            if existing_columns and existing_columns != list(extracted.column_names):
+                yield fail(
+                    "Mọi split trong **cùng một config** phải có cùng tên cột "
+                    "(ràng buộc của thư viện `datasets`).\n\n"
+                    f"- Config `{out_cfg}` đang có cột: `{existing_columns}`\n"
+                    f"- Dữ liệu mới có cột: `{list(extracted.column_names)}`\n\n"
+                    "→ Hãy dùng **Output config** khác, hoặc giữ nguyên tên cột (bỏ đổi tên)."
+                )
+                return
+
+        # ---------------- 4. Push lên Hub ----------------
+        progress(0.6, desc="Đang đẩy lên Hugging Face Hub…")
+        yield log("🚀 Đang đẩy lên Hub (dataset lớn có thể mất vài phút)…")
+
+        push_kwargs: dict = {
+            "repo_id": out_repo_id,
+            "config_name": out_cfg,
+            "split": out_split_name,
+            "private": bool(out_private),
+            "token": token,
+            "commit_message": _clean(commit_message)
+            or f"Extract column '{column}' from {repo} ({subset or 'default'}/{split})",
+        }
+        if out_cfg != "default":
+            push_kwargs["set_default"] = bool(set_default)
+        if shard_size:
+            push_kwargs["max_shard_size"] = shard_size
+        if n_proc > 1:
+            push_kwargs["num_proc"] = n_proc
+
+        try:
+            extracted.push_to_hub(**push_kwargs)
+        except ValueError as exc:
+            # Vài phiên bản `datasets` báo lỗi khi đã tồn tại config `default`.
+            if push_kwargs.get("set_default") and "configuration named 'default'" in str(exc):
+                yield log("⚠️ Không thể set_default (repo đã có config `default`) → thử lại không set_default…")
+                push_kwargs.pop("set_default", None)
+                extracted.push_to_hub(**push_kwargs)
+            else:
+                raise
+
+        # ---------------- 5. Kiểm tra lại ----------------
+        progress(0.92, desc="Đang kiểm tra kết quả…")
+        final_files = [
+            f
+            for f in api.list_repo_files(out_repo_id, repo_type="dataset", token=token)
+            if any(f.startswith(p) for p in prefixes)
+        ]
+        total_bytes = 0
+        try:
+            for entry in api.list_repo_tree(out_repo_id, repo_type="dataset", token=token, recursive=True):
+                path = getattr(entry, "path", "")
+                size = getattr(entry, "size", None)
+                if path in final_files and size:
+                    total_bytes += size
+        except Exception:  # noqa: BLE001
+            pass
+
+        rows_txt = "streaming" if streaming else f"{len(extracted):,} dòng"
+        url = f"https://huggingface.co/datasets/{out_repo_id}"
+        log("")
+        log(f"✅ HOÀN TẤT — {rows_txt}")
+        for f in final_files:
+            log(f"   • {f}")
+        if total_bytes:
+            log(f"   tổng dung lượng: {total_bytes / 1e6:.2f} MB")
+
+        status = (
+            "### ✅ Đã đẩy thành công\n\n"
+            f"- **Dataset đích:** [{out_repo_id}]({url})\n"
+            f"- **Config / split:** `{out_cfg}` / `{out_split_name}`\n"
+            f"- **Cột:** `{target_column}` — {rows_txt}\n"
+            f"- **File dữ liệu:** {len(final_files)}\n\n"
+            "```python\n"
+            "from datasets import load_dataset\n"
+            f"ds = load_dataset({out_repo_id!r}"
+            + (f", name={out_cfg!r}" if out_cfg != "default" else "")
+            + f", split={out_split_name!r})\n"
+            "```"
+        )
+
+        preview = None
+        if not streaming:
+            try:
+                preview = extracted.select(range(min(5, len(extracted)))).to_pandas()
+            except Exception:  # noqa: BLE001
+                preview = None
+        progress(1.0, desc="Xong!")
+        yield status, "\n".join(logs), preview
+
+    except Exception as exc:  # noqa: BLE001
+        log("")
+        log(f"❌ {type(exc).__name__}: {exc}")
+        log(traceback.format_exc())
+        yield (
+            f"### ❌ Thất bại\n\n```\n{type(exc).__name__}: {exc}\n```\n\n"
+            "Xem chi tiết ở ô **Nhật ký**.",
+            "\n".join(logs),
+            None,
+        )
+
+
+# ---------------------------------------------------------------------------
+# Giao diện
+# ---------------------------------------------------------------------------
+
+with gr.Blocks(title="Text Column Extract", theme=gr.themes.Soft(), css=CSS) as demo:
+    gr.Markdown(
+        """
+        # 🧲 Text Column Extract
+        Trích xuất **một cột text** từ dataset nguồn và ghi thành **một split** của dataset đích
+        trên Hugging Face Hub — dùng thư viện `datasets`.
+        """
+    )
+
+    session_token = gr.State(None)
+
+    # ---------------------- 1. Đăng nhập ----------------------
+    with gr.Accordion("🔐 1. Đăng nhập Hugging Face", open=True):
+        with gr.Row():
+            with gr.Column(scale=1):
+                login_button = gr.LoginButton("Đăng nhập bằng tài khoản Hugging Face")
+                gr.Markdown(
+                    "<sub>OAuth xin quyền <code>read-repos</code>, <code>write-repos</code>, "
+                    "<code>manage-repos</code> để tạo repo và đẩy dữ liệu. "
+                    "Khi đã đăng nhập, nút này trở thành nút đăng xuất.</sub>"
+                )
+            with gr.Column(scale=1):
+                token_box = gr.Textbox(
+                    label="Hoặc dán Access Token",
+                    placeholder="hf_xxxxxxxxxxxxxxxxxxxxxxxxxxxxxx",
+                    type="password",
+                    info="Tạo tại https://huggingface.co/settings/tokens (quyền Write).",
+                )
+                with gr.Row():
+                    login_btn = gr.Button("Đăng nhập bằng token", variant="primary")
+                    logout_btn = gr.Button("Xoá token đã dán")
+        login_status = gr.Markdown(login_badge())
+
+    # ---------------------- 2. Nguồn ----------------------
+    with gr.Accordion("📥 2. Dataset nguồn", open=True):
+        with gr.Row():
+            in_repo = gr.Textbox(
+                label="Input repo",
+                placeholder="vd: giangndm/my-dataset  (hoặc org/ten-dataset)",
+                scale=2,
+            )
+            in_subset = gr.Textbox(
+                label="Subset (config)",
+                placeholder="để trống nếu không có",
+                scale=1,
+            )
+        with gr.Row():
+            in_split = gr.Textbox(label="Input split", value="train", scale=1)
+            in_column = gr.Textbox(label="Tên cột text cần trích xuất", placeholder="vd: text", scale=2)
+        check_btn = gr.Button("🔎 Kiểm tra dataset nguồn")
+        check_out = gr.Markdown()
+
+        with gr.Accordion("⚙️ Tuỳ chọn nâng cao (nguồn)", open=False):
+            with gr.Row():
+                in_revision = gr.Textbox(label="Revision / branch (tuỳ chọn)", placeholder="main")
+                out_column = gr.Textbox(
+                    label="Đổi tên cột ở output (tuỳ chọn)",
+                    placeholder="để trống = giữ nguyên",
+                )
+            with gr.Row():
+                max_rows = gr.Number(label="Giới hạn số dòng (0 = tất cả)", value=0, precision=0)
+                num_proc = gr.Number(label="num_proc (0/1 = mặc định)", value=0, precision=0)
+                streaming = gr.Checkbox(
+                    label="Streaming (dataset rất lớn)",
+                    value=False,
+                    info="Không nạp hết vào RAM; không hỗ trợ chế độ nối.",
+                )
+
+    # ---------------------- 3. Đích ----------------------
+    with gr.Accordion("📤 3. Dataset đích", open=True):
+        out_repo = gr.Textbox(
+            label="Output repo",
+            placeholder="vd: ten-user/ten-dataset-moi  (tự do — không bắt buộc namespace nào)",
+            info="Repo của bạn hoặc của organization mà bạn có quyền ghi. Sẽ được tạo nếu chưa tồn tại.",
+        )
+        with gr.Row():
+            out_config = gr.Textbox(label="Output config (subset)", value="default", scale=1)
+            out_split = gr.Textbox(label="Output split", placeholder="bấm Generate split name →", scale=2)
+        with gr.Row():
+            gen_btn = gr.Button("✨ Generate split name", variant="secondary")
+            use_input_repo_btn = gr.Button("↩️ Dùng lại Input repo", variant="secondary")
+            include_split_in_name = gr.Checkbox(
+                label="Thêm cả tên split gốc vào tên sinh ra", value=False, scale=1
+            )
+        gen_hint = gr.Markdown(
+            "Tên split chỉ gồm chữ, số, `_` (và dấu `.` phân cấp). Ví dụ: `my_dataset_vi_v2`."
+        )
+
+        with gr.Accordion("⚙️ Tuỳ chọn nâng cao (đích)", open=False):
+            out_private = gr.Checkbox(label="Tạo repo ở chế độ private", value=False)
+            push_mode = gr.Radio(
+                choices=list(PUSH_MODES.keys()),
+                value="Ghi đè split đã tồn tại",
+                label="Nếu split đã tồn tại",
+            )
+            set_default = gr.Checkbox(
+                label="Đặt config này làm config mặc định (set_default)",
+                value=True,
+                info="Chỉ áp dụng khi Output config khác 'default'.",
+            )
+            max_shard_size = gr.Textbox(label="max_shard_size", value="500MB")
+            commit_message = gr.Textbox(
+                label="Commit message (tuỳ chọn)", placeholder="để trống = tự sinh"
+            )
+
+    # ---------------------- 4. Chạy ----------------------
+    extract_btn = gr.Button("🚀 4. Trích xuất & đẩy lên Hub", variant="primary", elem_id="extract-btn")
+    result_status = gr.Markdown()
+    with gr.Accordion("📜 Nhật ký", open=True):
+        result_log = gr.Textbox(
+            label="",
+            lines=18,
+            max_lines=32,
+            elem_id="log-box",
+            autoscroll=True,
+            **COPY_BUTTON_KWARGS,
+        )
+    with gr.Accordion("👀 Xem trước 5 dòng đầu của cột đã trích xuất", open=False):
+        result_preview = gr.Dataframe(wrap=True, interactive=False)
+
+    gr.Markdown(
+        """
+        ---
+        **Ghi chú**
+        - Dữ liệu được ghi dạng Parquet: `data/<split>-00000-of-00001.parquet`
+          (hoặc `<config>/<split>-....parquet` nếu Output config khác `default`).
+        - Chế độ *Ghi đè* / *Nối thêm* sẽ **xoá file cũ của đúng split đó** trước khi đẩy → không bị trùng dữ liệu.
+        - Mọi split trong **cùng một config** phải có **cùng tên cột** (ràng buộc của `datasets`).
+          Nếu muốn đổi tên cột, hãy dùng một Output config khác.
+        - Token chỉ được giữ trong phiên làm việc của trình duyệt, không ghi ra file của Space.
+        """
+    )
+
+    # ---------------------- Sự kiện ----------------------
+    # Lưu ý: các tham số kiểu `gr.OAuthProfile` / `gr.OAuthToken` được Gradio tự
+    # động inject theo type-hint, KHÔNG được khai báo trong `inputs`.
+    demo.load(
+        on_page_load,
+        inputs=[session_token],
+        outputs=[session_token, login_status],
+    )
+    login_btn.click(
+        do_token_login,
+        inputs=[token_box, session_token],
+        outputs=[session_token, login_status],
+    ).then(lambda: "", outputs=[token_box])
+    logout_btn.click(do_logout, inputs=[session_token], outputs=[session_token, login_status])
+    check_btn.click(
+        inspect_source,
+        inputs=[session_token, in_repo, in_subset, in_column, in_revision],
+        outputs=[check_out],
+    )
+    gen_btn.click(
+        generate_split_name,
+        inputs=[in_repo, in_subset, in_split, include_split_in_name],
+        outputs=[out_split, gen_hint],
+    )
+    use_input_repo_btn.click(lambda repo: repo, inputs=[in_repo], outputs=[out_repo])
+    extract_btn.click(
+        extract_and_push,
+        inputs=[
+            session_token,
+            in_repo,
+            in_subset,
+            in_split,
+            in_column,
+            in_revision,
+            out_column,
+            max_rows,
+            num_proc,
+            streaming,
+            out_repo,
+            out_config,
+            out_split,
+            out_private,
+            push_mode,
+            set_default,
+            max_shard_size,
+            commit_message,
+        ],
+        outputs=[result_status, result_log, result_preview],
+    )
+
+
+if __name__ == "__main__":
+    demo.queue(max_size=16, default_concurrency_limit=1).launch(show_error=True)

requirements.txt

@@ -0,0 +1,7 @@
+# Thư viện đọc/ghi dataset trên Hugging Face Hub.
+datasets>=3.0
+huggingface_hub>=0.34
+
+# Phụ thuộc cho OAuth (tương đương `gradio[oauth]`; gradio đã có sẵn trong image của Space).
+authlib>=1.3
+itsdangerous>=2.1