PDAP/training-urls
收藏Hugging Face2025-05-18 更新2024-06-12 收录
下载链接：
https://hf-mirror.com/datasets/PDAP/training-urls
下载链接
链接失效反馈官方服务：
资源简介：
该数据集包含网页的基本信息和内容，特征包括id、url、html标题、meta描述、HTTP响应、页面标题、各级标题（h1到h6）、div文本、相关性、层次结构、记录类型和粗略记录类型。数据集分为一个训练集，包含4290个样本，总大小为6721094字节。
该数据集包含网页的基本信息和内容，特征包括id、url、html标题、meta描述、HTTP响应、页面标题、各级标题（h1到h6）、div文本、相关性、层次结构、记录类型和粗略记录类型。数据集分为一个训练集，包含4290个样本，总大小为6721094字节。
提供机构：
PDAP
原始信息汇总
数据集概述
数据集特征
- id: 整数类型 (int64)
- url: 字符串类型 (string)
- html_title: 字符串类型 (string)
- meta_description: 字符串类型 (string)
- http_response: 整数类型 (int64)
- root_page_title: 字符串类型 (string)
- h1: 字符串类型 (string)
- h2: 字符串类型 (string)
- h3: 字符串类型 (string)
- h4: 字符串类型 (string)
- h5: 字符串类型 (string)
- h6: 字符串类型 (string)
- div_text: 字符串类型 (string)
- relevant: 字符串类型 (string)
- hierarchy: 字符串类型 (string)
- record_type: 字符串类型 (string)
- coarse_record_type: 字符串类型 (string)
数据集分割
- 训练集 (train):
- 数据量: 6721094 字节
- 样本数: 4290
数据集大小
- 下载大小: 2062535 字节
- 数据集总大小: 6721094 字节
配置信息
- 默认配置 (default):
- 数据文件路径:
data/train-*
- 数据文件路径:
