README.md

metadata

dataset_info:
  features:
    - name: id
      dtype: string
    - name: url
      dtype: string
    - name: title
      dtype: string
    - name: text
      dtype: string
  splits:
    - name: train
      num_bytes: 7088384480
      num_examples: 1395760
  download_size: 3968649901
  dataset_size: 7088384480
configs:
  - config_name: default
    data_files:
      - split: train
        path: data/train-*
language:
  - ja
license: cc-by-sa-3.0

apache_beamとmwparserfromhellを用いて通常のWikipediaの前処理を行ったデータセットです。

本家の前処理時間が長すぎたため、前処理済みバージョンを配布しています。

各種規約・ライセンスは本家Wikipediaにしたがってください。

Preprocessing Code

import datasets as ds

dataset = ds.load_dataset(
    "wikipedia",
    language="ja",
    date="20240101",
    beam_runner="DirectRunner",
    trust_remote_code=True,
)

dataset.push_to_hub("hpprc/wikipedia-20240101", max_shard_size="1GB")