C4Corpus (CC BY-NC-ND part)

Gurevych, Iryna; Habernal, Ivan; Zayed, Omnia

C4Corpus (CC BY-NC-ND part)

LRT + Open Submissions

Autoři: Gurevych, Iryna ; Habernal, Ivan and Zayed, Omnia

Identifikátor: http://hdl.handle.net/11372/LRT-2205

URL projektu: https://dkpro.github.io/dkpro-c4corpus/

Odkaz na záznam v: http://www.lrec-conf.org/proceedings/lrec2016/pdf/388_Paper.pdf

Datum vydání: 2016-04-14

Typ: corpus, text

Velikost: 10000000000 tokens

Jazyky: Afrikaans , Albanian , Arabic , Bengali , Bulgarian , Chinese , Croatian , Czech , Danish , Dutch , English , Estonian , Finnish , French , German , Gujarati , Hebrew , Hindi , Hungarian , Indonesian , Italian , Japanese , Kannada , Korean , Latvian , Lithuanian , Macedonian , Malayalam , Marathi , Modern Greek (1453-) , Nepali , Norwegian , Persian , Polish , Portuguese , Romanian , Russian , Slovak , Slovenian , Somali , Spanish , Swahili(macrolanguage) , Swedish , Tagalog , Tamil , Telugu , Thai , Turkish , Ukrainian , Undetermined , Urdu , Vietnamese

Popis: A large web corpus (over 10 billion tokens) licensed under CreativeCommons license family in 50+ languages that has been extracted from CommonCrawl, the largest publicly available general Web crawl to date with about 2 billion crawled URLs.

Nakladatel: Technische Universität Darmstadt

Klíčová slova: CommonCrawl Creative Commons Web corpus Amazon Web Services

Kolekce: LRT + Open Submissions Data & Tools

Zobrazit celý záznam

Soubory tohoto záznamu

Licenční kategorie:

Publicly Available

Licence: Creative Commons - Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)

Název: Lic_by-nc-nd_Lang_af_NoBoilerplate_true_MinHtml_true-r-00009.seg-00000.warc.gz
Velikost: 36.86 KB
Formát: application/x-gzip
MD5: 69576a3e19707595aa71930b605f4627

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_ar_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 4.74 MB
Formát: application/x-gzip
MD5: 6c02fdcceb78ef9e122886236866f138

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_bg_NoBoilerplate_true_MinHtml_true-r-00010.seg-00000.warc.gz
Velikost: 4.72 MB
Formát: application/x-gzip
MD5: ef86643e43206b0f4f6ee29df6054171

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_bn_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost: 389.08 KB
Formát: application/x-gzip
MD5: e61bd49a4eb0869e3d9b4b4f0de54c2b

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_cs_NoBoilerplate_true_MinHtml_true-r-00022.seg-00000.warc.gz
Velikost: 3.39 MB
Formát: application/x-gzip
MD5: bf3bd2ef9709f65099fca54c20048830

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_da_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost: 1.7 MB
Formát: application/x-gzip
MD5: 543fc4c405cf9c2ecb2c5f2a09dcd0d7

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_de_NoBoilerplate_true_MinHtml_true-r-00008.seg-00000.warc.gz
Velikost: 97 MB
Formát: application/x-gzip
MD5: 69bba32a551bf406157fa45776063cb9

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_el_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 4.59 MB
Formát: application/x-gzip
MD5: fc64bc4d976fdb11fc9b925aa48b68e2

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost: 953.7 MB
Formát: application/x-gzip
MD5: 712b703c52e6dc4f35e86d319baae75f

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00001.warc.gz
Velikost: 953.72 MB
Formát: application/x-gzip
MD5: 8d7e5b1137285d1fb32f292ec56aa6ef

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00002.warc.gz
Velikost: 953.7 MB
Formát: application/x-gzip
MD5: 0a6ba521fd9e01552734b8ab45560c48

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00003.warc.gz
Velikost: 422.15 MB
Formát: application/x-gzip
MD5: d0bc2bec0bd2c21a54e4ab0866ec1820

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_es_NoBoilerplate_true_MinHtml_true-r-00022.seg-00000.warc.gz
Velikost: 434.93 MB
Formát: application/x-gzip
MD5: 9dccc9d83345aa23609153b014926f22

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_et_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost: 962.27 KB
Formát: application/x-gzip
MD5: f4b1f78285e8d86845fd5fcba44809ba

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_fa_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost: 1.24 MB
Formát: application/x-gzip
MD5: 0fe1c018920afce4a44c32399dcaf839

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_fi_NoBoilerplate_true_MinHtml_true-r-00012.seg-00000.warc.gz
Velikost: 886.21 KB
Formát: application/x-gzip
MD5: 6e0ada40860fec5077fd9117a4c1da1f

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_fr_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 83.28 MB
Formát: application/x-gzip
MD5: aad91d581ff4dfe4aa699a01c4dd27c5

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_gu_NoBoilerplate_true_MinHtml_true-r-00024.seg-00000.warc.gz
Velikost: 170.27 KB
Formát: application/x-gzip
MD5: 3344cbbeee8499f071f40fc1a4650ee9

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_he_NoBoilerplate_true_MinHtml_true-r-00008.seg-00000.warc.gz
Velikost: 923.04 KB
Formát: application/x-gzip
MD5: ff765f9fc47e3f3b1729ebb8aa703d78

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_hi_NoBoilerplate_true_MinHtml_true-r-00012.seg-00000.warc.gz
Velikost: 1.58 MB
Formát: application/x-gzip
MD5: 7f0c265afa29786ac6470d211a50b6e3

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_hr_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 15.25 MB
Formát: application/x-gzip
MD5: c98433037a24fce60e9b8b272861850a

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_hu_NoBoilerplate_true_MinHtml_true-r-00024.seg-00000.warc.gz
Velikost: 8.22 MB
Formát: application/x-gzip
MD5: c9cef762687f8d9996f3bae4e65e723f

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_id_NoBoilerplate_true_MinHtml_true-r-00007.seg-00000.warc.gz
Velikost: 8.34 MB
Formát: application/x-gzip
MD5: 7b415acc3d3eb7a64ffbe3a932280141

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_it_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost: 146.19 MB
Formát: application/x-gzip
MD5: 396277746745a2519d5528f5745de8d7

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_ja_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost: 1.04 MB
Formát: application/x-gzip
MD5: c3c2d94ce2d10dc663b31a0331cbddc1

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_kn_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost: 23.46 KB
Formát: application/x-gzip
MD5: 996bcfb730f933c0eea50911437c1324

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_ko_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost: 10.87 MB
Formát: application/x-gzip
MD5: f5d7063fdf6d8afdac64111840b622db

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_lt_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost: 309.45 KB
Formát: application/x-gzip
MD5: e6ac5906d36e99a391eb2a3283c8c2e9

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_lv_NoBoilerplate_true_MinHtml_true-r-00025.seg-00000.warc.gz
Velikost: 504.83 KB
Formát: application/x-gzip
MD5: 63a85d3ce224b9ba39ce417726121e22

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_mk_NoBoilerplate_true_MinHtml_true-r-00014.seg-00000.warc.gz
Velikost: 631.48 KB
Formát: application/x-gzip
MD5: 23de489f81917f2fbb2196c3a2b6613f

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_ml_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 240.73 KB
Formát: application/x-gzip
MD5: aab00f383f979fe3b63630c8b4fb5f24

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_mr_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 116.49 KB
Formát: application/x-gzip
MD5: e7330c41903b5426be128824c6315222

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_ne_NoBoilerplate_true_MinHtml_true-r-00008.seg-00000.warc.gz
Velikost: 7.98 KB
Formát: application/x-gzip
MD5: 921fb655b00dc97b7c2e778640470f4c

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_nl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 9.12 MB
Formát: application/x-gzip
MD5: cc980a0a114ba92bae0dc7fcfac2021e

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_no_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost: 604.14 KB
Formát: application/x-gzip
MD5: 01d3e8243c339e306d42dcaaf45588f0

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_pl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 3.19 MB
Formát: application/x-gzip
MD5: 855da3c770120baf0ae00f889f9235d3

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_pt_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost: 94.81 MB
Formát: application/x-gzip
MD5: 8905485e48c60409506ee6551de02a98

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_ro_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost: 7.01 MB
Formát: application/x-gzip
MD5: 12c5eeee8ad9de164b2b3b2b533d0f05

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_ru_NoBoilerplate_true_MinHtml_true-r-00024.seg-00000.warc.gz
Velikost: 2.5 MB
Formát: application/x-gzip
MD5: 07c4909f600ae1d2354dcec1eb26d263

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_sk_NoBoilerplate_true_MinHtml_true-r-00014.seg-00000.warc.gz
Velikost: 508.3 KB
Formát: application/x-gzip
MD5: 16bf8e286e72d012bbbb896b94873bdb

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_sl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 843.34 KB
Formát: application/x-gzip
MD5: 806b6b8d4086dae12d6f90b6f0ac68e0

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_so_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost: 180.85 KB
Formát: application/x-gzip
MD5: 083a395b26194c8ea058b7b4d701208d

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_sq_NoBoilerplate_true_MinHtml_true-r-00020.seg-00000.warc.gz
Velikost: 272.04 KB
Formát: application/x-gzip
MD5: 9cdaeee4e1e76b23fc26f814646f0b7a

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_sv_NoBoilerplate_true_MinHtml_true-r-00025.seg-00000.warc.gz
Velikost: 1.31 MB
Formát: application/x-gzip
MD5: e3d5f60275df7f59cfa761d2e1f7334b

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_sw_NoBoilerplate_true_MinHtml_true-r-00026.seg-00000.warc.gz
Velikost: 62.72 KB
Formát: application/x-gzip
MD5: a34ba1d8320bf614bf92c813fa66d686

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_ta_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost: 1.53 MB
Formát: application/x-gzip
MD5: 5a023eddd92c402d127217bd3075d824

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_te_NoBoilerplate_true_MinHtml_true-r-00008.seg-00000.warc.gz
Velikost: 52.85 KB
Formát: application/x-gzip
MD5: ef3ef717ef84f738f9b323191623afae

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_th_NoBoilerplate_true_MinHtml_true-r-00011.seg-00000.warc.gz
Velikost: 7.77 MB
Formát: application/x-gzip
MD5: 3ffda6791e169566ba9cc051ccb2c4ca

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_tl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 779.85 KB
Formát: application/x-gzip
MD5: 76dea75971e43d32b1e032577e34cf62

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_tr_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 7.76 MB
Formát: application/x-gzip
MD5: d79ea300a3eacd2b5fbd99563e00f5cc

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_uk_NoBoilerplate_true_MinHtml_true-r-00014.seg-00000.warc.gz
Velikost: 394.12 KB
Formát: application/x-gzip
MD5: a911fa929596527e2e4b66da4a0bdf5f

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_unknown_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost: 34.68 MB
Formát: application/x-gzip
MD5: eac29c8586b6514bd89e42f8e2588558

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_ur_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 78.57 KB
Formát: application/x-gzip
MD5: 421b1ff78fe344087ca0a796d6fd5393

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_vi_NoBoilerplate_true_MinHtml_true-r-00012.seg-00000.warc.gz
Velikost: 7 MB
Formát: application/x-gzip
MD5: 242f1bed62fcfcf07ac0a198cc678e8e

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_zh-cn_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost: 607.65 KB
Formát: application/x-gzip
MD5: c1d05bf9c964cd34a975c781c03459de

Stáhnout soubor

Název: Lic_by-nc-nd_Lang_zh-tw_NoBoilerplate_true_MinHtml_true-r-00026.seg-00000.warc.gz
Velikost: 630.03 KB
Formát: application/x-gzip
MD5: cf84cdad88541b4df8b4a38639951862

Stáhnout soubor