metadata

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