该数据集包含以下特征：bff_contained_ngram_count_before_dedupe（去重前的bff包含n-gram数量），language_id_whole_page_fasttext（整个页面的语言ID，使用fasttext表示），metadata（包含网页的元数据信息，如内容长度、内容类型、Warc记录信息等），previous_word_count（前一个单词的数量），te

Hugging Face2025-10-20 更新190

essentialweb-1.0-sample-10B

自然语言处理

网络内容分析

该数据集包含三个字段：id，原始文本(raw)和清洗后的文本(clean)。数据集分为训练集，共有约880万个示例，总大小为46331MB。

Hugging Face2025-10-24 更新140

Orkavi-Big-RSS_337m

网络内容分析

企业智能化

Orkavi-Big-RSS_337m是一个生产就绪的数据集，包含3.37亿条网络内容记录。这是完整Orkavi-Big-RSS_1.1b数据集的过滤子集，专为需要结构化网络内容智能的企业应用而设计。

github2025-08-27 更新260

Deojoandco/ah_openai_dialog

网络内容分析

对话数据

--- dataset_info: features: - name: url dtype: string - name: id dtype: string - name: num_comments dtype: int64 - name: name dtype: string - name: title dtype: string

Hugging Face2023-06-02 更新170

russian jokes

资源简介：

相关数据集