Zobrazit minimální záznam

 
dc.contributor.author Gurevych, Iryna
dc.contributor.author Habernal, Ivan
dc.contributor.author Zayed, Omnia
dc.date.accessioned 2017-06-07T13:07:31Z
dc.date.available 2017-06-07T13:07:31Z
dc.date.issued 2016-04-14
dc.identifier.uri http://hdl.handle.net/11372/LRT-2205
dc.description 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.
dc.language.iso afr
dc.language.iso ara
dc.language.iso ben
dc.language.iso bul
dc.language.iso ces
dc.language.iso dan
dc.language.iso deu
dc.language.iso ell
dc.language.iso eng
dc.language.iso est
dc.language.iso fas
dc.language.iso fin
dc.language.iso fra
dc.language.iso guj
dc.language.iso heb
dc.language.iso hin
dc.language.iso hrv
dc.language.iso hun
dc.language.iso ind
dc.language.iso ita
dc.language.iso jpn
dc.language.iso kan
dc.language.iso kor
dc.language.iso lav
dc.language.iso lit
dc.language.iso mal
dc.language.iso mar
dc.language.iso mkd
dc.language.iso nep
dc.language.iso nld
dc.language.iso nor
dc.language.iso pol
dc.language.iso por
dc.language.iso ron
dc.language.iso rus
dc.language.iso slk
dc.language.iso slv
dc.language.iso som
dc.language.iso spa
dc.language.iso sqi
dc.language.iso swa
dc.language.iso swe
dc.language.iso tam
dc.language.iso tel
dc.language.iso tgl
dc.language.iso tha
dc.language.iso tur
dc.language.iso ukr
dc.language.iso und
dc.language.iso urd
dc.language.iso vie
dc.language.iso zho
dc.publisher Technische Universität Darmstadt
dc.relation.isreferencedby http://www.lrec-conf.org/proceedings/lrec2016/pdf/388_Paper.pdf
dc.rights Creative Commons - Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)
dc.rights.uri http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.source.uri https://dkpro.github.io/dkpro-c4corpus/
dc.subject CommonCrawl
dc.subject Creative Commons
dc.subject Web corpus
dc.subject Amazon Web Services
dc.title C4Corpus (CC BY-NC-ND part)
dc.type corpus
metashare.ResourceInfo#ContentInfo.mediaType text
dc.rights.label PUB
has.files yes
branding LRT + Open Submissions
contact.person Ivan Habernal habernal@ukp.informatik.tu-darmstadt.de Technische Universität Darmstadt
sponsor German Research Foundation (DFG) DIP DA 1600/1-1 Information Consolidation: A New Paradigm in Knowledge Search nationalFunds
sponsor Amazon Amazon Web Services in Education Grant Web Services in Education Grant Other
size.info 10000000000 tokens
files.size 4505766924
files.count 56


 Soubory tohoto záznamu

Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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
Icon
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

Zobrazit minimální záznam