tnwei/ms-newspapers

ms-newspapers数据集包含从马来西亚在线报纸上抓取的内容，使用马来语（Bahasa Malaysia）编写。具体抓取的报纸包括Kosmo和Utusan Malaysia，抓取时间为2023年5月中旬。数据集以JSONL格式存储，并提供了来自Utusan Malaysia和Kosmo的示例片段。The ms-newspapers dataset contains content scraped from Malaysian online newspapers written in Bahasa Malaysia. The specific newspapers scraped are Kosmo and Utusan Malaysia, and the scraping was conducted in mid-May 2023. The dataset is stored in JSONL format, and sample snippets from both Utusan Malaysia and Kosmo are also included.

原始信息汇总

数据集概述

数据集名称

ms-newspapers

数据集描述

该数据集包含从马来西亚在线报纸中抓取的马来语（Bahasa Malaysia）内容。具体包括Kosmo和Utusan Malaysia两家报纸的内容，抓取时间为2023年5月中旬。

数据集结构

数据集采用JSONL格式存储，每个文件包含以下字段：

• Utusan Malaysia

  • index: 文章索引号
  • text: 文章内容
  • access_date: 访问日期和时间

• Kosmo

  • index: 文章索引号
  • url: 文章链接
  • text: 文章内容
  • access_date: 访问日期和时间