C4Corpus (CC BY-SA part)

Gurevych, Iryna; Habernal, Ivan; Zayed, Omnia

C4Corpus (CC BY-SA part)

LRT + Open Submissions

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

Identifikátor: http://hdl.handle.net/11372/LRT-2208

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

Název: Lic_by-sa_Lang_af_NoBoilerplate_true_MinHtml_true-r-00009.seg-00000.warc.gz
Velikost: 2.23 MB
Formát: application/x-gzip
MD5: 3ba94b274d8b4bb742e65786bcb559d5

Stáhnout soubor

Název: Lic_by-sa_Lang_ar_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 37.68 MB
Formát: application/x-gzip
MD5: 9923830b8ce2812b7c753ab4b4ec7474

Stáhnout soubor

Název: Lic_by-sa_Lang_bg_NoBoilerplate_true_MinHtml_true-r-00010.seg-00000.warc.gz
Velikost: 96.78 MB
Formát: application/x-gzip
MD5: 3618511147cc62e0a9a34bc3732d0232

Stáhnout soubor

Název: Lic_by-sa_Lang_bn_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost: 24.07 MB
Formát: application/x-gzip
MD5: 1c9686242fb8d65aa16851c29b0f1d8b

Stáhnout soubor

Název: Lic_by-sa_Lang_cs_NoBoilerplate_true_MinHtml_true-r-00022.seg-00000.warc.gz
Velikost: 151.99 MB
Formát: application/x-gzip
MD5: de204fd230d68f59ff59f805f63765da

Stáhnout soubor

Název: Lic_by-sa_Lang_da_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost: 75.86 MB
Formát: application/x-gzip
MD5: 9b04c043324dd16937a7cdb7de57fb84

Stáhnout soubor

Název: Lic_by-sa_Lang_de_NoBoilerplate_true_MinHtml_true-r-00008.seg-00000.warc.gz
Velikost: 150.42 MB
Formát: application/x-gzip
MD5: fda2433769213e7450132d6f77400a5e

Stáhnout soubor

Název: Lic_by-sa_Lang_el_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 106.64 MB
Formát: application/x-gzip
MD5: 6caf73daf1e3f2cae1b9ed2b8b58c59f

Stáhnout soubor

Název: Lic_by-sa_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost: 953.71 MB
Formát: application/x-gzip
MD5: c978973668eac1699954e95dda1a1f21

Stáhnout soubor

Název: Lic_by-sa_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00001.warc.gz
Velikost: 953.7 MB
Formát: application/x-gzip
MD5: 11d4e0493fa56aa72b3ff868bd9b6424

Stáhnout soubor

Název: Lic_by-sa_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00002.warc.gz
Velikost: 953.74 MB
Formát: application/x-gzip
MD5: 5737d16ca93be1b7a9e90187f1e1e590

Stáhnout soubor

Název: Lic_by-sa_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00003.warc.gz
Velikost: 953.71 MB
Formát: application/x-gzip
MD5: 002b240469da10bd85e9db56b9a9ef6d

Stáhnout soubor

Název: Lic_by-sa_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00004.warc.gz
Velikost: 953.7 MB
Formát: application/x-gzip
MD5: 0cc3179ebcba6f578963ef2704a631a0

Stáhnout soubor

Název: Lic_by-sa_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00005.warc.gz
Velikost: 953.69 MB
Formát: application/x-gzip
MD5: becea1c355e051f42d02a7605cad60d1

Stáhnout soubor

Název: Lic_by-sa_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00006.warc.gz
Velikost: 953.69 MB
Formát: application/x-gzip
MD5: 7453b7440242f6e1fc0070cf25dc4cce

Stáhnout soubor

Název: Lic_by-sa_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00007.warc.gz
Velikost: 953.71 MB
Formát: application/x-gzip
MD5: 54b90a17c78fda673fb6243eef4ee4d3

Stáhnout soubor

Název: Lic_by-sa_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00008.warc.gz
Velikost: 279.78 MB
Formát: application/x-gzip
MD5: d4f744ef7f9a146268d1ea8741eea492

Stáhnout soubor

Název: Lic_by-sa_Lang_es_NoBoilerplate_true_MinHtml_true-r-00022.seg-00000.warc.gz
Velikost: 923.58 MB
Formát: application/x-gzip
MD5: 7671ae9f00e4a7a7578777bb2224b0f8

Stáhnout soubor

Název: Lic_by-sa_Lang_et_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost: 97.93 MB
Formát: application/x-gzip
MD5: 1023c88a8104b0e1ad35346f2a158631

Stáhnout soubor

Název: Lic_by-sa_Lang_fa_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost: 13.59 MB
Formát: application/x-gzip
MD5: 1e29ccbad407a51758d936f2671ae824

Stáhnout soubor

Název: Lic_by-sa_Lang_fi_NoBoilerplate_true_MinHtml_true-r-00012.seg-00000.warc.gz
Velikost: 14.26 MB
Formát: application/x-gzip
MD5: bce64efa40c0019aca32dc826a3713f0

Stáhnout soubor

Název: Lic_by-sa_Lang_fr_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 901.37 MB
Formát: application/x-gzip
MD5: 81c366b5f41e5521832efafaddd9291d

Stáhnout soubor

Název: Lic_by-sa_Lang_gu_NoBoilerplate_true_MinHtml_true-r-00024.seg-00000.warc.gz
Velikost: 11.31 MB
Formát: application/x-gzip
MD5: abd6adae95e8f6f825e0793bb23c67f8

Stáhnout soubor

Název: Lic_by-sa_Lang_he_NoBoilerplate_true_MinHtml_true-r-00008.seg-00000.warc.gz
Velikost: 172.82 MB
Formát: application/x-gzip
MD5: 5fcec1e5e12b9c1e27d4f787d82d3256

Stáhnout soubor

Název: Lic_by-sa_Lang_hi_NoBoilerplate_true_MinHtml_true-r-00012.seg-00000.warc.gz
Velikost: 49.01 MB
Formát: application/x-gzip
MD5: c79826cb0ea0839c6a4328b2e987cea0

Stáhnout soubor

Název: Lic_by-sa_Lang_hr_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 177.07 MB
Formát: application/x-gzip
MD5: 7f5818c1a04b729b99fd7ea6b3bc27b6

Stáhnout soubor

Název: Lic_by-sa_Lang_hu_NoBoilerplate_true_MinHtml_true-r-00024.seg-00000.warc.gz
Velikost: 179.49 MB
Formát: application/x-gzip
MD5: 81ee126fbcb8a40ea19cbad0724c6012

Stáhnout soubor

Název: Lic_by-sa_Lang_id_NoBoilerplate_true_MinHtml_true-r-00007.seg-00000.warc.gz
Velikost: 173.78 MB
Formát: application/x-gzip
MD5: 37ea4b929cb47677b2eea9aaf4ad8fa1

Stáhnout soubor

Název: Lic_by-sa_Lang_it_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost: 638.79 MB
Formát: application/x-gzip
MD5: d807ddd325c3c9f4004162445db1f19e

Stáhnout soubor

Název: Lic_by-sa_Lang_ja_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost: 4.34 MB
Formát: application/x-gzip
MD5: d5816790f39ed4360306aadecb69aa81

Stáhnout soubor

Název: Lic_by-sa_Lang_kn_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost: 27.41 MB
Formát: application/x-gzip
MD5: 30a97d6c7960c5d4bc99d855061cd537

Stáhnout soubor

Název: Lic_by-sa_Lang_ko_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost: 2.51 MB
Formát: application/x-gzip
MD5: 08faf67ea8c5bf026229de8df211835f

Stáhnout soubor

Název: Lic_by-sa_Lang_lt_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost: 46.11 MB
Formát: application/x-gzip
MD5: 69a749fef69b44a47fcc139b8567f7c3

Stáhnout soubor

Název: Lic_by-sa_Lang_lv_NoBoilerplate_true_MinHtml_true-r-00025.seg-00000.warc.gz
Velikost: 930.16 KB
Formát: application/x-gzip
MD5: badc0e7f9a13f814284755990a20463a

Stáhnout soubor

Název: Lic_by-sa_Lang_mk_NoBoilerplate_true_MinHtml_true-r-00014.seg-00000.warc.gz
Velikost: 74.91 MB
Formát: application/x-gzip
MD5: 38ca6dba720c782756aee05f26631fc4

Stáhnout soubor

Název: Lic_by-sa_Lang_ml_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 26.82 MB
Formát: application/x-gzip
MD5: 7c7697f9be921c495fcdf3450695c515

Stáhnout soubor

Název: Lic_by-sa_Lang_mr_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 7.58 MB
Formát: application/x-gzip
MD5: 4d0b79d5e6a8cf8c7f1ffade6a8782f4

Stáhnout soubor

Název: Lic_by-sa_Lang_ne_NoBoilerplate_true_MinHtml_true-r-00008.seg-00000.warc.gz
Velikost: 6.05 MB
Formát: application/x-gzip
MD5: 94133d95797ad3bd9afd077994873947

Stáhnout soubor

Název: Lic_by-sa_Lang_nl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 306.08 MB
Formát: application/x-gzip
MD5: 39a273b6a1068b11f679476c6c90bd42

Stáhnout soubor

Název: Lic_by-sa_Lang_no_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost: 161.83 MB
Formát: application/x-gzip
MD5: 91f9b6ee49e0f83cecc5ce1297e39a1b

Stáhnout soubor

Název: Lic_by-sa_Lang_pa_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost: 27.61 KB
Formát: application/x-gzip
MD5: 479da214344c110e1103947a33d70737

Stáhnout soubor

Název: Lic_by-sa_Lang_pl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 322.94 MB
Formát: application/x-gzip
MD5: 5e65344311a6a2309cf7e2112cc41b72

Stáhnout soubor

Název: Lic_by-sa_Lang_pt_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost: 385.01 MB
Formát: application/x-gzip
MD5: 6dd8f016a4755dca65cc85b2d705d969

Stáhnout soubor

Název: Lic_by-sa_Lang_ro_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost: 98.72 MB
Formát: application/x-gzip
MD5: c9cb59e9207a5bf396905d50b480a0f2

Stáhnout soubor

Název: Lic_by-sa_Lang_ru_NoBoilerplate_true_MinHtml_true-r-00024.seg-00000.warc.gz
Velikost: 53.82 MB
Formát: application/x-gzip
MD5: 016b8932f0977a680660f9f5a75e9bef

Stáhnout soubor

Název: Lic_by-sa_Lang_sk_NoBoilerplate_true_MinHtml_true-r-00014.seg-00000.warc.gz
Velikost: 52.19 MB
Formát: application/x-gzip
MD5: b1427cbf34030d9e76a7d6ec306e5286

Stáhnout soubor

Název: Lic_by-sa_Lang_sl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 48.71 MB
Formát: application/x-gzip
MD5: 0b8855ab159e55c6ee7d17396b1260c0

Stáhnout soubor

Název: Lic_by-sa_Lang_so_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost: 2.14 MB
Formát: application/x-gzip
MD5: da49a14cdfd842361f55c6637c2bd259

Stáhnout soubor

Název: Lic_by-sa_Lang_sq_NoBoilerplate_true_MinHtml_true-r-00020.seg-00000.warc.gz
Velikost: 20.05 MB
Formát: application/x-gzip
MD5: d4e28185a495a3ad0fb9079bc103f792

Stáhnout soubor

Název: Lic_by-sa_Lang_sv_NoBoilerplate_true_MinHtml_true-r-00025.seg-00000.warc.gz
Velikost: 192.57 MB
Formát: application/x-gzip
MD5: 6dabf8683ac81362397439d328f2aee1

Stáhnout soubor

Název: Lic_by-sa_Lang_sw_NoBoilerplate_true_MinHtml_true-r-00026.seg-00000.warc.gz
Velikost: 7.92 MB
Formát: application/x-gzip
MD5: d3f9ee518e17d891ff5e43d44ad5fbd5

Stáhnout soubor

Název: Lic_by-sa_Lang_ta_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost: 41.22 MB
Formát: application/x-gzip
MD5: 567227134b72d3abe84848cfe42f14f8

Stáhnout soubor

Název: Lic_by-sa_Lang_te_NoBoilerplate_true_MinHtml_true-r-00008.seg-00000.warc.gz
Velikost: 30.16 MB
Formát: application/x-gzip
MD5: 6a88b62b8feb883ea37abba8126da629

Stáhnout soubor

Název: Lic_by-sa_Lang_th_NoBoilerplate_true_MinHtml_true-r-00011.seg-00000.warc.gz
Velikost: 4.56 MB
Formát: application/x-gzip
MD5: 64ac2ac144cb1bdcbf2338bd6fe77c71

Stáhnout soubor

Název: Lic_by-sa_Lang_tl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 17.11 MB
Formát: application/x-gzip
MD5: 14ce6c41091aa043b6daf0911c9f8597

Stáhnout soubor

Název: Lic_by-sa_Lang_tr_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 36.28 MB
Formát: application/x-gzip
MD5: d3eb558aece6f3e1fccb4513d4db66b3

Stáhnout soubor

Název: Lic_by-sa_Lang_uk_NoBoilerplate_true_MinHtml_true-r-00014.seg-00000.warc.gz
Velikost: 207.11 MB
Formát: application/x-gzip
MD5: 7be2b288911bcf70ff9e77373e26a84e

Stáhnout soubor

Název: Lic_by-sa_Lang_unknown_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost: 272.89 MB
Formát: application/x-gzip
MD5: ffdd57906fc0703460d25350eca41cd3

Stáhnout soubor

Název: Lic_by-sa_Lang_ur_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 2.57 MB
Formát: application/x-gzip
MD5: ecd45aa5edef0212f2ac54dfc5ae0477

Stáhnout soubor

Název: Lic_by-sa_Lang_vi_NoBoilerplate_true_MinHtml_true-r-00012.seg-00000.warc.gz
Velikost: 126.1 MB
Formát: application/x-gzip
MD5: 865be65e848d0f75a7e6a02fb0a17b5d

Stáhnout soubor

Název: Lic_by-sa_Lang_zh-cn_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost: 1 MB
Formát: application/x-gzip
MD5: 68937bb315825f1f1fb2d148a76a750f

Stáhnout soubor

Název: Lic_by-sa_Lang_zh-tw_NoBoilerplate_true_MinHtml_true-r-00026.seg-00000.warc.gz
Velikost: 350.96 KB
Formát: application/x-gzip
MD5: a624ab534f4b30c09c809949d1e6fdbf

Stáhnout soubor