five

jrast/clean-text-v1

收藏
Hugging Face2026-05-23 更新2026-05-31 收录
下载链接:
https://hf-mirror.com/datasets/jrast/clean-text-v1
下载链接
链接失效反馈
官方服务:
资源简介:
Clean Text Corpus(清洁文本语料库)是一个大规模文本数据集,包含5,064,609个文档,总计36,485,673,610个字符。数据来源于`s3://jrast-10605-f26/clean_text_v1/`,原始数据为清理过的HTML parquet格式,后重新打包为zstd压缩的parquet分片文件。

Clean Text Corpus is a large-scale text dataset with 5,064,609 documents and 36,485,673,610 characters. It was repackaged from cleaned HTML parquet into zstd parquet shards, sourced from `s3://jrast-10605-f26/clean_text_v1/`.
提供机构:
jrast
二维码
社区交流群
二维码
科研交流群
商业服务