ezzaldeen/AraNovels

AraBooks数据集包含通过OCR扫描的阿拉伯语书籍内容，旨在支持阿拉伯语的发展和研究。该数据集包括来自各种来源的文本，其中一些是翻译成阿拉伯语的，而另一些则是以阿拉伯语原创的。由于PDF文件的质量问题，该数据集可能包含噪音。数据集的总标记数约为555,643个。The AraBooks Dataset contains Arabic book content scanned via OCR, which is designed to support the development and research of the Arabic language. This dataset includes texts from various sources, some of which are translated into Arabic while others are originally created in Arabic. Due to the quality issues of PDF files, this dataset may contain noise. The total number of tokens in the dataset is approximately 555,643.

原始信息汇总

数据集概述

数据集名称

AraBooks

数据集描述

AraBooks是一个包含OCR扫描的阿拉伯语书籍内容的数据集，旨在支持阿拉伯语言的开发和研究。该数据集包含多种来源的文本，包括翻译成阿拉伯语的文本和原生阿拉伯语文本。

数据集特点

• 包含约555,643个令牌（所有书籍合计）。
• 可能因PDF文件质量较低而含有噪音。

数据集使用限制

• 仅供研究和教育目的使用。
• 用户需自行确保遵守相关版权法律和规定。
• 数据集创建者不对数据的准确性、完整性或适用性提供保证，并免责于因使用或误用数据而产生的任何损失、损害或法律后果。

数据集规模

• 数据集大小：1M<n<10M

数据集语言

• 阿拉伯语（ar）

许可证

• Apache-2.0