Skip to search
Skip to main content
Skip to first result
Search
Search Results
Type:
text and korespondence
Subject:
Dějiny států a území na Balkánském poloostrově , Gaj, Ljudevit, , slavisté chorvatští , ilyrismus , Chorvatsko , dějiny slavistiky , and světové dějiny 1789-1918
Language:
Croatian
Rights:
unknown
Creator:
Rosa, Rudolf
Publisher:
Charles University, Faculty of Mathematics and Physics, Institute of Formal and Applied Linguistics (UFAL)
Type:
text and corpus
Subject:
Wikipedia , text corpora , and monolingual corpus
Language:
Abkhazian , Achinese , Adyghe , Afrikaans , Akan , Tosk Albanian , Amharic , Old English (ca. 450-1100) , Arabic , Official Aramaic (700-300 BCE) , Aragonese , Egyptian Arabic , Assamese , Asturian , Atikamekw , Avaric , Aymara , South Azerbaijani , Azerbaijani , Bashkir , Bambara , Bavarian , Central Bikol , Belarusian , Bengali , Bislama , Banjar , Tibetan , Bosnian , Bishnupriya , Breton , Buginese , Bulgarian , Russia Buriat , Catalan , Min Dong Chinese , Cebuano , Czech , Chamorro , Chechen , Cherokee , Church Slavic , Chuvash , Cheyenne , Central Kurdish , Cornish , Corsican , Cree , Crimean Tatar , Kashubian , Welsh , Danish , German , Dinka , Dimli (individual language) , Dhivehi , Lower Sorbian , Dzongkha , Modern Greek (1453-) , English , Esperanto , Estonian , Basque , Ewe , Extremaduran , Faroese , Persian , Fijian , Finnish , French , Arpitan , Northern Frisian , Western Frisian , Fulah , Friulian , Gagauz , Gan Chinese , Scottish Gaelic , Irish , Galician , Gilaki , Manx , Goan Konkani , Gothic , Guarani , Gujarati , Hakka Chinese , Haitian , Hausa , Hawaiian , Serbo-Croatian , Hebrew , Herero , Fiji Hindi , Hindi , Hiri Motu , Croatian , Upper Sorbian , Hungarian , Armenian , Igbo , Ido , Inuktitut , Interlingue , Iloko , Interlingua (International Auxiliary Language Association) , Indonesian , Inupiaq , Icelandic , Italian , Jamaican Creole English , Javanese , Lojban , Japanese , Kara-Kalpak , Kabyle , Kalaallisut , Kannada , Kashmiri , Georgian , Kanuri , Kazakh , Kabardian , Kabiyè , Khmer , Kikuyu , Kinyarwanda , Kirghiz , Komi-Permyak , Komi , Kongo , Korean , Karachay-Balkar , Kölsch , Kurdish , Ladino , Lao , Latin , Latvian , Lak , Lezghian , Ligurian , Limburgan , Lingala , Lithuanian , Lombard , Northern Luri , Latgalian , Luxembourgish , Ganda , Literary Chinese , Marshallese , Maithili , Malayalam , Marathi , Moksha , Eastern Mari , Minangkabau , Macedonian , Malagasy , Maltese , Mongolian , Maori , Western Mari , Malay (macrolanguage) , Creek , Mirandese , Burmese , Erzya , Mazanderani , Min Nan Chinese , Neapolitan , Nauru , Navajo , Ndonga , Low German , Nepali (macrolanguage) , Newari , Dutch , Norwegian Nynorsk , Norwegian , Novial , Pedi , Nyanja , Occitan (post 1500) , Livvi , Oriya (macrolanguage) , Oromo , Ossetian , Pangasinan , Pampanga , Panjabi , Papiamento , Picard , Pennsylvania German , Pfaelzisch , Pitcairn-Norfolk , Pali , Piemontese , Western Panjabi , Pontic , Polish , Portuguese , Pushto , Quechua , Vlax Romani , Romansh , Romanian , Rusyn , Rundi , Macedo-Romanian , Russian , Sango , Yakut , Sanskrit , Sicilian , Scots , Samogitian , Sinhala , Slovak , Slovenian , Northern Sami , Samoan , Shona , Sindhi , Somali , Southern Sotho , Spanish , Albanian , Sardinian , Sranan Tongo , Serbian , Swati , Saterfriesisch , Sundanese , Swahili (macrolanguage) , Swedish , Silesian , Tahitian , Tamil , Tatar , Tulu , Telugu , Tama (Colombia) , Tetum , Tajik , Tagalog , Thai , Tigrinya , Tonga (Tonga Islands) , Tok Pisin , Tswana , Tsonga , Turkmen , Tumbuka , Turkish , Twi , Tuvinian , Udmurt , Uighur , Ukrainian , Urdu , Uzbek , Venetian , Venda , Veps , Vietnamese , Vlaams , Volapük , Võro , Waray (Philippines) , Walloon , Wolof , Wu Chinese , Kalmyk , Xhosa , Mingrelian , Yiddish , Yoruba , Yue Chinese , Zeeuws , Zhuang , Chinese , Zulu , and Dotyali
Description:
Wikipedia plain text data obtained from Wikipedia dumps with WikiExtractor in February 2018.
The data come from all Wikipedias for which dumps could be downloaded at [https://dumps.wikimedia.org/]. This amounts to 297 Wikipedias, usually corresponding to individual languages and identified by their ISO codes. Several special Wikipedias are included, most notably "simple" (Simple English Wikipedia) and "incubator" (tiny hatching Wikipedias in various languages).
For a list of all the Wikipedias, see [https://meta.wikimedia.org/wiki/List_of_Wikipedias].
The script which can be used to get new version of the data is included, but note that Wikipedia limits the download speed for downloading a lot of the dumps, so it takes a few days to download all of them (but one or a few can be downloaded fast).
Also, the format of the dumps changes time to time, so the script will probably eventually stop working one day.
The WikiExtractor tool [http://medialab.di.unipi.it/wiki/Wikipedia_Extractor] used to extract text from the Wikipedia dumps is not mine, I only modified it slightly to produce plaintext outputs [https://github.com/ptakopysk/wikiextractor].
Rights:
Attribution-ShareAlike 3.0 Unported (CC BY-SA 3.0) , http://creativecommons.org/licenses/by-sa/3.0/ , and PUB
Creator:
Horvat, Marijan,
Type:
text and monografie
Subject:
Mezinárodní vztahy, světová politika , politika zahraniční , traktáty , organizace mezinárodní , panovníci čeští , politika mírová , zahraniční politika, mezinárodní vztahy , and české země 1419-1471
Language:
Croatian
Rights:
unknown
Creator:
Tomašić, Dinko,
Type:
text , studie , and separáty
Subject:
Dějiny států a území na Balkánském poloostrově , Chorvati , Srbové , Chorvatsko , Srbsko , přehledná zpracování světových dějin (chronologicky) , and dějiny vědy, umění, kultury a techniky, kulturní vztahy
Language:
Croatian
Rights:
unknown
Creator:
Horvat, Josip,
Type:
text and monografie
Subject:
Dějiny států a území na Balkánském poloostrově , dějiny politické , politické dějiny, politici , světové dějiny 1789-1918 , and Chorvatsko
Language:
Croatian
Rights:
unknown
Creator:
Jireček, Konstantin Josef,
Type:
text and monografie
Subject:
Dějiny států a území na Balkánském poloostrově , Kateřina , vztahy mezinárodní , Rusko , světové dějiny 1648-1789 , zahraniční politika, mezinárodní vztahy , and Chorvatsko
Language:
Czech , Croatian , Italian , Latin , and Ukrainian
Rights:
unknown
Creator:
Foretić, Vinko,
Type:
text and monografie
Subject:
Dějiny států a území na Balkánském poloostrově , města chorvatská , dějiny měst , Chorvatsko , města, obce , and přehledná zpracování světových dějin (chronologicky)
Language:
Croatian
Rights:
unknown
Creator:
Šišić, Ferdo,
Type:
text and monografie
Subject:
Dějiny států a území na Balkánském poloostrově , dějiny států , Chorvatsko , politické dějiny, politici , and světové dějiny středověku (do r. 1492)
Language:
Croatian
Rights:
unknown
Creator:
Bučar, Franjo
Type:
text and monografie
Subject:
Slovanské literatury (o nich) , reformace , literatura náboženská , tiskárny , tisky , evangelíci , Chorvatsko , teologie, ikonografie, zbožnost, hagiografie , and světové dějiny novověku (1492-1918)
Language:
Croatian
Description:
Tuhá vazba
Rights:
unknown
Creator:
Matković, Hrvoje,
Type:
text and přehledy
Subject:
Dějiny států a území na Balkánském poloostrově , dějiny politické , ustašovský stát , válka druhá světová (1939-1945) , Chorvatsko , politické dějiny, politici , and světové dějiny 1939-1945
Language:
Croatian
Rights:
unknown