pythainlp/thaigov-v2-corpus-31032024

---
dataset_info:
features:
- name: title
dtype: string
- name: context
dtype: string
- name: raw
dtype: string
- name: url
dtype: string
splits:
- name: train
num_bytes: 752018871
num_examples: 44680
download_size: 248126496
dataset_size: 752018871
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
license: cc0-1.0
task_categories:
- text-generation
language:
- th
---
# ThaiGov V2 Corpus

GitHub: [https://github.com/PyThaiNLP/thaigov-v2-corpus](https://github.com/PyThaiNLP/thaigov-v2-corpus)

## English
- Data from Thai government website. https://www.thaigov.go.th
- This part of PyThaiNLP Project.
- Compiled by Mr.Wannaphong Phatthiyaphaibun
- License Dataset is public domain.

## Data format

- 1 file, 1 news, which is extracted from 1 url.

```
topic
(Blank line)
content
content
content
content
content
(Blank line)
ที่มา (URL source) : http://www.thaigov.go.th/news/contents/details/NNN
```

## Thai
- เป็นข้อมูลที่รวบรวมข่าวสารจากเว็บไซต์รัฐบาลไทย https://www.thaigov.go.th
- โครงการนี้เป็นส่วนหนึ่งในแผนพัฒนา [PyThaiNLP](https://github.com/PyThaiNLP/)
- รวบรวมโดย นาย วรรณพงษ์ ภัททิยไพบูลย์
- ข้อมูลที่รวบรวมในคลังข้อความนี้เป็นสาธารณสมบัติ (public domain) ตามพ.ร.บ.ลิขสิทธิ์ พ.ศ. 2537 มาตรา 7 (สิ่งต่อไปนี้ไม่ถือว่าเป็นงานอันมีลิขสิทธิ์ตามพระราชบัญญัตินี้ (1) ข่าวประจำวัน และข้อเท็จจริงต่างๆ ที่มีลักษณะเป็นเพียงข่าวสารอันมิใช่งานในแผนกวรรณคดี แผนกวิทยาศาสตร์ หรือแผนกศิลปะ [...] (3) ระเบียบ ข้อบังคับ ประกาศ คำสั่ง คำชี้แจง และหนังสือตอบโต้ของกระทรวง ทบวง กรม หรือหน่วยงานอื่นใดของรัฐหรือของท้องถิ่น [...])

**สามารถติดตามประวัติการแก้ไขคลังข้อความนี้ได้ผ่านระบบ Git**

### จำนวนข่าว

- วันเริ่มต้นโครงการ 17 ก.ย. 2563

### รูปแบบข้อมูล

- 1 ไฟล์ 1 ข่าว ซึ่งดึงมาจาก 1 url

```
หัวเรื่อง
(บรรทัดว่าง)
เนื้อความ
เนื้อความ
เนื้อความ
เนื้อความ
เนื้อความ
(บรรทัดว่าง)
ที่มา : http://www.thaigov.go.th/news/contents/details/NNN
```

### รายละเอียดชื่อไฟล์

- ชื่อหมวดหมู่_จำนวนที่ของข่าว.txt

### Script

- run.py สำหรับเก็บข้อมูลจากหน้าเว็บ โดยจะดึงหน้าเว็บจาก url ```http://www.thaigov.go.th/news/contents/details/NNN``` โดยที่ NNN คือเลขจำนวนเต็ม
- เปลี่ยนค่าตัวแปร i ในไฟล์เป็นเลขที่ต้องการเริ่มเก็บ
- clean.py สำหรับทำความสะอาดข้อมูลเบื้องต้น โดยจะลบช่องว่างหน้าและท้ายบรรทัด ลบบรรทัดว่าง
- ```clean.py ชื่อไฟล์```
- ```clean.py ชื่อไฟล์1 ชื่อไฟล์2```
- ```clean.py *.txt```

We build Thai NLP.

PyThaiNLP

原始信息汇总

数据集概述

数据集名称

• ThaiGov V2 Corpus

数据集特征

• title: 数据类型为字符串
• context: 数据类型为字符串
• raw: 数据类型为字符串
• url: 数据类型为字符串

数据集分割

• train: 包含44680个样本，总大小为752018871字节

数据集大小

• 下载大小: 248126496字节
• 数据集总大小: 752018871字节

许可证

• cc0-1.0

任务类别

• text-generation

语言

• th

数据格式

• 每个文件包含一条新闻，提取自一个URL。

• 文件内容格式：

  标题 (空行) 内容 内容 内容 内容 内容 (空行) 来源(URL源) : http://www.thaigov.go.th/news/contents/details/NNN

文件命名规则

• 分类名称_新闻编号.txt