blbooks

British Library Books 提供了英国图书馆与微软合作数字化的大量书籍文本，主要内容为18至19世纪的文本，但也包含少量早期书籍，涵盖地理、哲学、历史、诗歌和文学等领域，并以多种语言出版。数据规模达到数百万页，并提供多种配置以适应不同时间跨度的需求。该仓库支持文本生成、掩码填充等任务，并可用于训练特定时期、特定语言或特定OCR质量的语言模型。数据以CC0 1.0协议授权。其中包含出版日期、出版地点、出版国家、语言、OCR质量以及原始物理项目的物理描述等元数据。用户可以进行标准化数据操作，并基于元数据训练和评估各种监督任务。