Hugging Face's logo

Datasets:
bot-yaya
/
rework_undl_text

Modalities:
Text
Formats:
parquet
Size:
10K - 100K
Libraries:
Datasets
Dask
Dataset card Viewer Files Community
rework_undl_text
File size: 1,324 Bytes 
214452e
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
4514f78
214452e
4514f78
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
 
---
configs:
- config_name: default
  data_files:
  - split: train
    path: data/train-*
dataset_info:
  features:
  - name: ar
    dtype: string
  - name: zh
    dtype: string
  - name: en
    dtype: string
  - name: fr
    dtype: string
  - name: ru
    dtype: string
  - name: es
    dtype: string
  - name: de
    dtype: string
  - name: record
    dtype: string
  splits:
  - name: train
    num_bytes: 48622457871
    num_examples: 165840
  download_size: 3906189450
  dataset_size: 48622457871
---
# 联合国数字图书馆ODS里爬出来的平行语料 Parallel Corpus from United Nations Digital Library ODS（2000-2023）

数据源链接（网站逻辑比起爬取这些数据时已经重构更新，可能会有不一致的情况）：https://search.un.org/search?collection=ods&currentPageNumber=1&q=*&row=10&sort=relevance

pandoc转docx出的源文本，所用命令为：pandoc -i {filepath} -t plain -o {outpath} --strip-comments

这些文本可能仍需一定的步骤去噪，比如去掉全是横线的分隔符、去掉表格元素，才能用于后续的翻译及对齐步骤

旧版数据链接 https://huggingface.co/datasets/bot-yaya/undl_text 

因为旧版参数不当，处理的时候丢掉了一部分数据，所以重做了一份重新上传，建议是下载使用这份，而不是旧版