BroDeadlines/CRAWL.TDT.admission.tdtu.edu.vn_dai-hoc

该数据集是从TDT网站爬取的，具体是从admission.tdtu.edu.vn_dai-hoc网页集合中筛选出来的。数据集包含URL、HTML名称、跳过标记、Markdown、文本、批次、文档ID、分割Markdown和幻灯片Markdown等特征。数据集只有一个训练分割，包含223个示例，总大小为544983664字节。

This dataset is a filter of admission.tdtu.edu.vn_dai-hoc from a collection of web pages. The dataset includes features such as url, html_name, skipped, markdown, text, batch, doc_id, split_markdown, and slide_markdown. It is divided into a training set with 223 examples. The dataset is tagged with crawl and tdt.

原始信息汇总

数据集概述

数据集信息

• 许可证: MIT
• 特征:
  • url: 字符串类型
  • html_name: 字符串类型
  • skipped: 字符串类型
  • markdown: 字符串类型
  • text: 字符串类型
  • batch: 字符串类型
  • doc_id: 字符串类型
  • split_markdown: 字符串序列类型
  • slide_markdown: 字符串序列类型
• 分割:
  • train: 包含223个样本，占用544983664字节
• 下载大小: 40899249字节
• 数据集大小: 544983664字节

配置

• 配置名称: default
  • 数据文件:
    • train: 路径为data/train-*

标签

• crawl
• tdt

描述

该数据集是从TDT网站爬取的“admission.tdtu.edu.vn_dai-hoc”页面集合的过滤结果。