ebrinz/text-cult

--- license: cc-by-4.0 task_categories: - text-generation - feature-extraction language: - en - la - fr - de tags: - occult - esoteric - hermetic - alchemy - kabbalah - grimoire - sacred-texts size_categories: - 1K<n<10K --- <p align="center"> <img src="banner.svg" alt="text-cult banner" width="100%"/> </p> A corpus of occult, esoteric, and hermetic texts compiled from public domain sources. ## Contents ``` Total documents: 6,268 Total characters: 305,251,131 Parquet size: 117.6 MB (zstd compressed) ``` | Source | Documents | Characters | |--------|-----------|------------| | sacred-texts | 5,873 | 85.7M | | internet-archive | 328 | 163.9M | | gutenberg | 67 | 55.6M | Covers alchemy, Kabbalah, Thelema, grimoires, Hermetica, Gnosticism, sacred texts, and related traditions. Primarily English with 120 Latin texts and smaller French/German collections. ## Usage ```python from datasets import load_dataset ds = load_dataset("ebrinz/text-cult") ``` ## Schema | Column | Type | Description | |--------|------|-------------| | `id` | string | Unique document identifier | | `text` | string | Full document text | | `title` | string | Document title | | `author` | string | Author(s) | | `tradition` | string | Occult tradition/category | | `source` | string | Source collection | | `source_url` | string | Original URL | | `language` | string | ISO 639-1 language code | | `file_type` | string | Original file format | | `ocr_used` | bool | Whether OCR was used for extraction | | `char_count` | int64 | Character count | See [MANIFEST.txt](MANIFEST.txt) for full breakdown. ## License Source texts are public domain. Dataset compilation is CC-BY-4.0.license: CC-BY-4.0 task_categories: - 文本生成（text-generation） - 特征提取（feature-extraction） language: - 英语（en） - 拉丁语（la） - 法语（fr） - 德语（de） tags: - 神秘学（occult） - 秘传主义（esoteric） - 赫尔墨斯主义（hermetic） - 炼金术（alchemy） - 卡巴拉（Kabbalah） - 魔法书（grimoire） - 神圣文本（sacred-texts） size_categories: - 1K<n<10K --- <p align="center"> <img src="banner.svg" alt="text-cult 横幅" width="100%"/> </p> 本数据集为从公有领域来源汇编而成的神秘学、秘传主义与赫尔墨斯主义文本语料库。 ## 内容概览 总文档数： 6,268 总字符数： 305,251,131 Parquet格式大小： 117.6 MB（zstd 压缩） | 来源 | 文档数 | 字符数 | |--------|-----------|------------| | 神圣文本（sacred-texts） | 5,873 | 85.7M | | 互联网档案馆（internet-archive） | 328 | 163.9M | | 古腾堡计划（gutenberg） | 67 | 55.6M | 本语料库涵盖炼金术、卡巴拉（Kabbalah）、泰勒玛（Thelema）、魔法书（grimoire）、赫尔墨斯文集、诺斯替主义、神圣文本及相关传统。主体内容为英语文本，包含120篇拉丁语文本，以及少量法语与德语文本集合。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("ebrinz/text-cult") ## 数据模式 | 列名 | 数据类型 | 描述 | |--------|------|-------------| | `id` | string | 唯一文档标识符 | | `text` | string | 完整文档文本 | | `title` | string | 文档标题 | | `author` | string | 作者（们） | | `tradition` | string | 神秘学传统/分类 | | `source` | string | 来源集合 | | `source_url` | string | 原始URL | | `language` | string | ISO 639-1 语言代码 | | `file_type` | string | 原始文件格式 | | `ocr_used` | bool | 是否使用OCR进行文本提取 | | `char_count` | int64 | 字符计数 | 完整细分信息请参阅 [MANIFEST.txt](MANIFEST.txt)。 ## 许可协议 源文本均属于公有领域，本数据集的汇编遵循CC-BY-4.0许可协议。