Dataset Card for "c4-chinese-zhtw"

內容

Common Crawl 是一個非營利組織，負責抓取網路並向公眾免費提供其檔案和資料集。Common Crawl 的網路檔案包含自 2008 年以來收集的 PB 級資料。它一般每月完成一次抓取。

Common Crawl 的爬蟲程式遵守 nofollow 和 robots.txt 政策。用於處理 Common Crawl 資料集的開源程式碼是公開可用的。

這個繁中的數據來是來自 Common Crawl 2023-14 的 data archive 下載并進行清理 。

這是 jed351 準備的版本，託管在這個位址：

• https://huggingface.co/datasets/jed351/Traditional-Chinese-Common-Crawl-Filtered

支援的任務

C4主要用於預訓練語言模型(pretrain language model)。

範例

一個樣本的範例:

{
  'url': 'http://www.bilingtong.com/cpzx/96.html',
  'timestamp': '2023-03-21 02:12:48',
  'content_language': 'zho',
  'content_type': 'text/plain',
  'text': '新風系統是通過系統設計送風和排風使室內空氣存在一空氣 。無需開窗全天持續不斷有組.....'
}

資料欄位

資料有幾個欄位：

• url: 來源 url
• timestamp: 時間戳
• content_language: 內容包含的語言種類
• content_type: 內容類型，也稱為 MIME 或媒體類型，是 Web 伺服器回應標頭中的聲明
• text：網頁清理後的文字內容

數據清理

請參考在 Github 上的專案 c4-dataset-script 來了解數據下載與清理的相關邏輯與程式碼。

主要的步驟有:

1. Download the WET crawl archive index file
2. Run download and Chinese screening script on Spark
3. Filter out non-sentence lines and toxic document
4. Remove duplicated text
5. Remove documents that are over self-repeating - Repetition Removal in DeepMind MassiveText

許可資訊

請尊循 Common Craw terms of use 的條款。

• https://commoncrawl.org/terms-of-use