生成数据

创建伪造或示例数据集，或从 World Bank、PubMed、URL 与网页搜索中获取真实数据行。

在终端中生成示例数据集 —— 或从 API 和公开来源获取 真实世界 的数据行。适用于测试、演示、原型和快速数据抓取。

​

自然语言

​

合成数据（默认）

arka generate 100 users as csv
arka generate sample sales data json --rows 50
arka generate fake emails tsv
arka create sample json data
arka data_gen --schema "name,email,age" --format json --count 20

​

真实世界来源

arka generate real world bank gdp india 2010-2024 as csv
arka generate 20 pubmed papers on "mRNA vaccines" as csv
arka generate data from https://pokeapi.co/api/v2/pokemon?limit=10 as jsonl

包含 real、actual、live、world bank、pubmed papers 或 URL 的短语会路由到真实数据抓取器。Fake / sample / mock 会保持合成生成。

​

CLI 命令

命令	说明
generate_data users --count 100 --format csv	用户记录预设（合成）
generate_data --source worldbank --indicator gdp --country IN -f json	印度的 World Bank GDP
generate_data --source pubmed --query "mRNA vaccines" -n 20 -f csv	PubMed 论文元数据
generate_data --source url --url "https://pokeapi.co/api/v2/pokemon?limit=10" -f jsonl	从 URL 获取 JSON 或 CSV
generate_data --real --indicator population --country US	简写：自动推断为 World Bank
generate_data --fields "id,name,price,category" -n 20	自定义合成列

​

真实世界来源

--source	说明	关键参数
worldbank	GDP、人口、预期寿命、CO₂、失业率、互联网普及率	--indicator、--country、--year-from、--year-to
pubmed	生物医学论文元数据（标题、期刊、年份、URL）	--query、--count
url	从任意 URL 获取 JSON 数组/对象或 CSV	--url、--count
web	DuckDuckGo 搜索结果作为数据行	--query、--count

真实来源的行数上限为 500 行。当设置了 --source 时，Arka 不会回退到合成或 LLM 数据 —— 抓取错误会被清晰地报告。

​

World Bank 指标

gdp、gdp_per_capita、population、life_expectancy、co2、unemployment、internet

国家代码使用 ISO-3166 alpha-2（如 IN、US）。自然语言国家名称（India、United States）会被自动解析。

​

支持的格式

csv、json、jsonl、tsv、yaml、xml、sql、markdown、xlsx

XLSX 输出需要 openpyxl（pip install openpyxl）。要获得更丰富的伪造值，请安装可选的 Faker 扩展：

pip install faker

​

预设

内置预设会自动推断列（仅限合成模式）：

预设	列
users	id, name, email, age, phone
products	id, name, price, category
sales	date, product, quantity, revenue, region
emails	email
customers	id, name, email, address, phone

字段名会与生成器（姓名、邮箱、电话、地址、日期、数字、UUID、布尔值）匹配。当配置了 LLM API key 时，可对复杂自定义模式使用 --llm。

​

输出

默认打印到标准输出，或使用 -o output.csv 保存，也可以将文件名作为第一个参数传入。