GeneralCognition/SEC_Tables_Lite

---
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
dataset_info:
features:
- name: screenshot
dtype: image
- name: raw_html
dtype: string
- name: clean_html
dtype: string
- name: metadata
struct:
- name: url
dtype: string
- name: viewport_height
dtype: int64
- name: viewport_width
dtype: int64
splits:
- name: train
num_bytes: 157882062.6
num_examples: 3996
- name: test
num_bytes: 17542451.4
num_examples: 444
download_size: 146829857
dataset_size: 175424514.0
---
# Dataset Card for "SEC_Tables_Lite"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

配置信息

• 默认配置 (config_name: default):
  • 训练数据 (split: train): data/train-*
  • 测试数据 (split: test): data/test-*

数据集特征

• 截图 (name: screenshot): 图像类型 (dtype: image)
• 原始HTML (name: raw_html): 字符串类型 (dtype: string)
• 清理后的HTML (name: clean_html): 字符串类型 (dtype: string)
• 元数据 (name: metadata): 结构化数据，包括：
  • URL (name: url): 字符串类型 (dtype: string)
  • 视口高度 (name: viewport_height): 整数类型 (dtype: int64)
  • 视口宽度 (name: viewport_width): 整数类型 (dtype: int64)

数据集分割

• 训练集 (name: train):
  • 大小: 157882062.6 字节
  • 示例数量: 3996
• 测试集 (name: test):
  • 大小: 17542451.4 字节
  • 示例数量: 444

数据集大小

• 下载大小: 146829857 字节
• 数据集总大小: 175424514.0 字节

搜集汇总

背景与挑战

背景概述

SEC_Tables_Lite是一个轻量级数据集，专注于SEC表格的视觉和HTML结构数据，包含4440个样本（训练集3996个，测试集444个），每个样本提供屏幕截图、原始和清理后的HTML以及元数据。该数据集适用于文档处理、表格识别或机器学习模型训练，旨在支持对SEC表格的结构化分析和理解。