C4Corpus (CC BY-NC-SA part)

Gurevych, Iryna; Habernal, Ivan; Zayed, Omnia

C4Corpus (CC BY-NC-SA part)

LRT + Open Submissions

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

Identifikátor: http://hdl.handle.net/11372/LRT-2206

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 , 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-ShareAlike 4.0 International (CC BY-NC-SA 4.0)

Název: Lic_by-nc-sa_Lang_af_NoBoilerplate_true_MinHtml_true-r-00009.seg-00000.warc.gz
Velikost: 219.02 KB
Formát: application/x-gzip
MD5: ed3a554b3a6b14dfae309abd4c453a97

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_ar_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 3.68 MB
Formát: application/x-gzip
MD5: d5c8231d6a018bad56e151d894890eb0

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_bg_NoBoilerplate_true_MinHtml_true-r-00010.seg-00000.warc.gz
Velikost: 2.77 MB
Formát: application/x-gzip
MD5: 562cbdfcd85bbba377dff90dc30b8e51

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_bn_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost: 672.63 KB
Formát: application/x-gzip
MD5: 0626c8a35d615cf19738a4bf5e6bb6b4

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_cs_NoBoilerplate_true_MinHtml_true-r-00022.seg-00000.warc.gz
Velikost: 3.75 MB
Formát: application/x-gzip
MD5: 1674778a8de65767012940a3d05a31ac

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_da_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost: 1.37 MB
Formát: application/x-gzip
MD5: e646885bcfdd6ce9068092ac0e49382f

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_de_NoBoilerplate_true_MinHtml_true-r-00008.seg-00000.warc.gz
Velikost: 78.23 MB
Formát: application/x-gzip
MD5: e48b47fdfcc3323174fa040c7186dd44

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_el_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 5.38 MB
Formát: application/x-gzip
MD5: d96b520832e35b38e8852f04e2e727ce

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost: 953.73 MB
Formát: application/x-gzip
MD5: 170673218617c0593efa5791fb17d61e

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00001.warc.gz
Velikost: 953.72 MB
Formát: application/x-gzip
MD5: 2b2652509761bd3425c59bbb5464f471

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00002.warc.gz
Velikost: 953.7 MB
Formát: application/x-gzip
MD5: 7535bdec1e89e9d0946a73553c37a7e8

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00003.warc.gz
Velikost: 620.92 MB
Formát: application/x-gzip
MD5: 572c21745326497df619f49a6b2d22d0

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_es_NoBoilerplate_true_MinHtml_true-r-00022.seg-00000.warc.gz
Velikost: 339.18 MB
Formát: application/x-gzip
MD5: a64694925a6c0b61a922b087294ac405

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_et_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost: 400.29 KB
Formát: application/x-gzip
MD5: 76b85b21fa7ccd9856874b71c1d2d5fc

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_fa_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost: 465.35 KB
Formát: application/x-gzip
MD5: eb6d334f5f0524dadf77e34686211573

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_fi_NoBoilerplate_true_MinHtml_true-r-00012.seg-00000.warc.gz
Velikost: 4.01 MB
Formát: application/x-gzip
MD5: 6f78e54a5383c643ade8e680e370bb36

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_fr_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 68.97 MB
Formát: application/x-gzip
MD5: 0dc57d825fc85a98671a5e4d1c856ef5

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_gu_NoBoilerplate_true_MinHtml_true-r-00024.seg-00000.warc.gz
Velikost: 4.72 KB
Formát: application/x-gzip
MD5: 1cf9aac410350025ed065e2b6df7034d

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_he_NoBoilerplate_true_MinHtml_true-r-00008.seg-00000.warc.gz
Velikost: 739.01 KB
Formát: application/x-gzip
MD5: 8f5f1b46e012a6a6a7511b02ce90de1e

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_hi_NoBoilerplate_true_MinHtml_true-r-00012.seg-00000.warc.gz
Velikost: 90.93 KB
Formát: application/x-gzip
MD5: 89b4203315f9b0a0893aaa87b69a499c

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_hr_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 3.68 MB
Formát: application/x-gzip
MD5: 8c21113882d3e312887c253cba7ce723

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_hu_NoBoilerplate_true_MinHtml_true-r-00024.seg-00000.warc.gz
Velikost: 19.17 MB
Formát: application/x-gzip
MD5: cc99760ea47e410217d8d71d64e0cb0c

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_id_NoBoilerplate_true_MinHtml_true-r-00007.seg-00000.warc.gz
Velikost: 8.16 MB
Formát: application/x-gzip
MD5: ff847175baaac97ca6a2bddd7f048dfb

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_it_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost: 97.81 MB
Formát: application/x-gzip
MD5: 78bd57f7dca286ca1c1029c58c9dfddd

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_ja_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost: 7.32 MB
Formát: application/x-gzip
MD5: ab8cbb6da8a0d7062602521edc6574dc

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_ko_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost: 4.49 MB
Formát: application/x-gzip
MD5: c8513ce2b920b6a1b3fcc5307d9ee786

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_lt_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost: 406.21 KB
Formát: application/x-gzip
MD5: 3d1ac82e752bcf144878657973684076

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_lv_NoBoilerplate_true_MinHtml_true-r-00025.seg-00000.warc.gz
Velikost: 133.47 KB
Formát: application/x-gzip
MD5: e89b87839dde076d94a12ea9f2a8ba75

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_mk_NoBoilerplate_true_MinHtml_true-r-00014.seg-00000.warc.gz
Velikost: 230.21 KB
Formát: application/x-gzip
MD5: ba25d75abf8cc043f20607523b4bfcf3

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_ml_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 13.89 KB
Formát: application/x-gzip
MD5: 85f797f0060a9a8d64d2d2ac029be12f

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_mr_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 29.7 KB
Formát: application/x-gzip
MD5: 73d15bcaa2662ddb8ec7a62598b59c34

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_ne_NoBoilerplate_true_MinHtml_true-r-00008.seg-00000.warc.gz
Velikost: 69.09 KB
Formát: application/x-gzip
MD5: 21846c80539acb684c044b24e1c0f797

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_nl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 14.94 MB
Formát: application/x-gzip
MD5: 70777ed1441ee3b16845784b714d45e9

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_no_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost: 1.85 MB
Formát: application/x-gzip
MD5: 747790b07c73ea989d910952d39ff761

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_pl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 4.54 MB
Formát: application/x-gzip
MD5: e6d4b73096e78dc432c5a36f91a0d2e5

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_pt_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost: 63.91 MB
Formát: application/x-gzip
MD5: 8a001d21f0fba4617634067272b27b47

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_ro_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost: 2.94 MB
Formát: application/x-gzip
MD5: a4ac5fac6eee395f4e62c8eedc285613

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_ru_NoBoilerplate_true_MinHtml_true-r-00024.seg-00000.warc.gz
Velikost: 3.86 MB
Formát: application/x-gzip
MD5: eb8f15797d6d2816f47d224dcf441052

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_sk_NoBoilerplate_true_MinHtml_true-r-00014.seg-00000.warc.gz
Velikost: 932.24 KB
Formát: application/x-gzip
MD5: 48f9e3926ee6bde98bec1bd03b2f27a6

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_sl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 684.6 KB
Formát: application/x-gzip
MD5: 174485195c2027c58573fe99165c159c

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_so_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost: 84.04 KB
Formát: application/x-gzip
MD5: af14e23a3b70ada8e2a38d1b5f8cb4ce

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_sq_NoBoilerplate_true_MinHtml_true-r-00020.seg-00000.warc.gz
Velikost: 91.79 KB
Formát: application/x-gzip
MD5: 81a1ee35454d5f0501cd9effb180bd2b

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_sv_NoBoilerplate_true_MinHtml_true-r-00025.seg-00000.warc.gz
Velikost: 7.92 MB
Formát: application/x-gzip
MD5: 90cbfbcaa66d1515a7a1e615c420284f

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_sw_NoBoilerplate_true_MinHtml_true-r-00026.seg-00000.warc.gz
Velikost: 415.88 KB
Formát: application/x-gzip
MD5: 4909fa06d4fcfbab46737bbe475f3e90

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_ta_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost: 159.46 KB
Formát: application/x-gzip
MD5: ef9dfa69bc9e14e1f90741899c708df2

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_te_NoBoilerplate_true_MinHtml_true-r-00008.seg-00000.warc.gz
Velikost: 79.96 KB
Formát: application/x-gzip
MD5: bc90d303a889aeec86cf315c2bf0352d

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_th_NoBoilerplate_true_MinHtml_true-r-00011.seg-00000.warc.gz
Velikost: 14.52 MB
Formát: application/x-gzip
MD5: 7fc434963e8b0f39f8e98b81949b1f51

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_tl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 138.33 KB
Formát: application/x-gzip
MD5: fc784dcdb157dd2c6f3a257d6e538f73

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_tr_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 3.31 MB
Formát: application/x-gzip
MD5: 6d9111906526e373c0f5dbdac0213878

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_uk_NoBoilerplate_true_MinHtml_true-r-00014.seg-00000.warc.gz
Velikost: 404.47 KB
Formát: application/x-gzip
MD5: 6c86ee6f17d0ea447c0b9b399eecfe88

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_unknown_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost: 25.23 MB
Formát: application/x-gzip
MD5: c9841e1def2998bf733fcf074c80c50f

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_ur_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 419.78 KB
Formát: application/x-gzip
MD5: a00d8fbdbaa04305a8629dd14db99b80

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_vi_NoBoilerplate_true_MinHtml_true-r-00012.seg-00000.warc.gz
Velikost: 1.9 MB
Formát: application/x-gzip
MD5: ec09c06dda6a758f9c667b8700710c5c

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_zh-cn_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost: 825.53 KB
Formát: application/x-gzip
MD5: 49a01fb570f4c8ed9cc1596d39e60064

Stáhnout soubor

Název: Lic_by-nc-sa_Lang_zh-tw_NoBoilerplate_true_MinHtml_true-r-00026.seg-00000.warc.gz
Velikost: 263.11 KB
Formát: application/x-gzip
MD5: 502b750aabd0df199b7551eb3f62671f

Stáhnout soubor