DuongTrongChi/thuvienphapluat

该数据集包含了URL、内容和元数据三个主要字段。元数据部分详细记录了文档的类型、发布日期、公告日期、生效日期、合并日期、签署人、发布地点、公告编号、编号和状态等信息。数据集被分为训练集，包含了大量的字节和示例。此外，还提供了用于数据预处理和文本提取的Python代码。

原始信息汇总

数据集概述

数据集特征

• urls: 字符串类型
• content: 字符串类型
• metadata: 结构化数据，包含以下字段：
  • Loại văn bản: (文档类型): 字符串类型
  • Ngày ban hành: (发布日期): 字符串类型
  • Ngày công báo: (公告日期): 字符串类型
  • Ngày hiệu lực: (生效日期): 字符串类型
  • Ngày hợp nhất: (合并日期): 字符串类型
  • Người ký: (签署人): 字符串类型
  • Nơi ban hành: (发布地点): 字符串类型
  • Số công báo: (公告号): 字符串类型
  • Số hiệu: (编号): 字符串类型
  • Tình trạng: (状态): 字符串类型

数据集分割

• train:
  • 数据大小: 37521917271 字节
  • 示例数量: 329223

数据集大小

• 下载大小: 5523799449 字节
• 数据集总大小: 37521917271 字节

配置

• config_name: default
• data_files:
  • split: train
  • path: data/train-*