C4Corpus (CC-BY part)

Gurevych, Iryna; Habernal, Ivan; Zayed, Omnia

C4Corpus (CC-BY part)

LRT + Open Submissions

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

Identifikátor: http://hdl.handle.net/11372/LRT-2203

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 4.0 International (CC BY 4.0)

Název: Lic_by_Lang_af_NoBoilerplate_true_MinHtml_true-r-00009.seg-00000.warc.gz
Velikost: 3.17 MB
Formát: application/x-gzip
MD5: 111816dd96b40a70befa75fccde98452

Stáhnout soubor

Název: Lic_by_Lang_ar_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 22.09 MB
Formát: application/x-gzip
MD5: 2cc0821b1d076d9aa605dfa01199f2b1

Stáhnout soubor

Název: Lic_by_Lang_bg_NoBoilerplate_true_MinHtml_true-r-00010.seg-00000.warc.gz
Velikost: 2.93 MB
Formát: application/x-gzip
MD5: 6212665da332e9ac227edb72708290aa

Stáhnout soubor

Název: Lic_by_Lang_bn_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost: 1.23 MB
Formát: application/x-gzip
MD5: d410193b2a7c18ccec676e8d873baa60

Stáhnout soubor

Název: Lic_by_Lang_cs_NoBoilerplate_true_MinHtml_true-r-00022.seg-00000.warc.gz
Velikost: 2.89 MB
Formát: application/x-gzip
MD5: 1c71d569e6052f845394fae1da9bc54b

Stáhnout soubor

Název: Lic_by_Lang_da_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost: 1.89 MB
Formát: application/x-gzip
MD5: 4d2794a456a157546baeea17f8fb46fe

Stáhnout soubor

Název: Lic_by_Lang_de_NoBoilerplate_true_MinHtml_true-r-00008.seg-00000.warc.gz
Velikost: 46.29 MB
Formát: application/x-gzip
MD5: c61354e4f6d31b2a348e7a6d62bdfd4e

Stáhnout soubor

Název: Lic_by_Lang_el_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 20.64 MB
Formát: application/x-gzip
MD5: 027a67b1c2803dd2dc928dbfce8706e0

Stáhnout soubor

Název: Lic_by_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost: 953.68 MB
Formát: application/x-gzip
MD5: d93272a97fe99183b10985cdd286010a

Stáhnout soubor

Název: Lic_by_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00001.warc.gz
Velikost: 953.7 MB
Formát: application/x-gzip
MD5: 5a6aca26d0accb7ec55b63daf2d51178

Stáhnout soubor

Název: Lic_by_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00002.warc.gz
Velikost: 953.71 MB
Formát: application/x-gzip
MD5: 82ea7b49f30616ef0e1e537a8760a4ef

Stáhnout soubor

Název: Lic_by_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00003.warc.gz
Velikost: 953.71 MB
Formát: application/x-gzip
MD5: 3dfe551080b1122806daea637eb85a39

Stáhnout soubor

Název: Lic_by_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00004.warc.gz
Velikost: 953.71 MB
Formát: application/x-gzip
MD5: 09aca35e9a163ccc553df68ea262260d

Stáhnout soubor

Název: Lic_by_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00005.warc.gz
Velikost: 196.67 MB
Formát: application/x-gzip
MD5: 287777260ef4368908a3140b3ea95892

Stáhnout soubor

Název: Lic_by_Lang_es_NoBoilerplate_true_MinHtml_true-r-00022.seg-00000.warc.gz
Velikost: 379.26 MB
Formát: application/x-gzip
MD5: 2719d16e7016ab0331a8139819fd3830

Stáhnout soubor

Název: Lic_by_Lang_et_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost: 3 MB
Formát: application/x-gzip
MD5: a9a098410e1d7c537dfed6469c94fcb9

Stáhnout soubor

Název: Lic_by_Lang_fa_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost: 5.02 MB
Formát: application/x-gzip
MD5: 94b77326ad37a49b9a75abc5c46b5c23

Stáhnout soubor

Název: Lic_by_Lang_fi_NoBoilerplate_true_MinHtml_true-r-00012.seg-00000.warc.gz
Velikost: 2.4 MB
Formát: application/x-gzip
MD5: 85eb5a31cbf9c493f54b9b3d7218033c

Stáhnout soubor

Název: Lic_by_Lang_fr_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 45.48 MB
Formát: application/x-gzip
MD5: 9f726a63bf773211e696fe9f80595ea6

Stáhnout soubor

Název: Lic_by_Lang_gu_NoBoilerplate_true_MinHtml_true-r-00024.seg-00000.warc.gz
Velikost: 13.11 KB
Formát: application/x-gzip
MD5: 357d1181d80734f3c4dc533aa72acc4d

Stáhnout soubor

Název: Lic_by_Lang_he_NoBoilerplate_true_MinHtml_true-r-00008.seg-00000.warc.gz
Velikost: 627.55 KB
Formát: application/x-gzip
MD5: 321577f81435e87f4f0b4248b555f146

Stáhnout soubor

Název: Lic_by_Lang_hi_NoBoilerplate_true_MinHtml_true-r-00012.seg-00000.warc.gz
Velikost: 978.73 KB
Formát: application/x-gzip
MD5: e68ae849b4dbede70f873834d13e9172

Stáhnout soubor

Název: Lic_by_Lang_hr_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 20.72 MB
Formát: application/x-gzip
MD5: 3da8a763126bb0be3ba9f8a150ea7e0e

Stáhnout soubor

Název: Lic_by_Lang_hu_NoBoilerplate_true_MinHtml_true-r-00024.seg-00000.warc.gz
Velikost: 3.02 MB
Formát: application/x-gzip
MD5: 8fab83723f2ff538ee72aebe2fc1f476

Stáhnout soubor

Název: Lic_by_Lang_id_NoBoilerplate_true_MinHtml_true-r-00007.seg-00000.warc.gz
Velikost: 424.23 MB
Formát: application/x-gzip
MD5: 16ed0f576a1ee4e86b1120784709293a

Stáhnout soubor

Název: Lic_by_Lang_it_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost: 53.22 MB
Formát: application/x-gzip
MD5: 6fbce93f927d37650c05e9592bfc1839

Stáhnout soubor

Název: Lic_by_Lang_ja_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost: 1.71 MB
Formát: application/x-gzip
MD5: 2493ee68787dc39f86146ab6c93ae9cb

Stáhnout soubor

Název: Lic_by_Lang_kn_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost: 20.84 KB
Formát: application/x-gzip
MD5: 19397cb6b6c9b00d2619ef6ae810c189

Stáhnout soubor

Název: Lic_by_Lang_ko_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost: 4.1 MB
Formát: application/x-gzip
MD5: 77517e1332882bb1d73202f4766a8ae5

Stáhnout soubor

Název: Lic_by_Lang_lt_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost: 973.51 KB
Formát: application/x-gzip
MD5: e76f1fa1397ce9f0b9765b7b341b3a9d

Stáhnout soubor

Název: Lic_by_Lang_lv_NoBoilerplate_true_MinHtml_true-r-00025.seg-00000.warc.gz
Velikost: 618.12 KB
Formát: application/x-gzip
MD5: bf5aa6e228c3132c4f77a8a92e21176c

Stáhnout soubor

Název: Lic_by_Lang_mk_NoBoilerplate_true_MinHtml_true-r-00014.seg-00000.warc.gz
Velikost: 238.76 KB
Formát: application/x-gzip
MD5: af488917d143cae315d6281b9be4898b

Stáhnout soubor

Název: Lic_by_Lang_ml_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 680.6 KB
Formát: application/x-gzip
MD5: 8eb8f85ea3048d9dce829bc2c9a976a8

Stáhnout soubor

Název: Lic_by_Lang_mr_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 449.68 KB
Formát: application/x-gzip
MD5: 2dba1acef7484c0b110663169ae119ce

Stáhnout soubor

Název: Lic_by_Lang_ne_NoBoilerplate_true_MinHtml_true-r-00008.seg-00000.warc.gz
Velikost: 344.14 KB
Formát: application/x-gzip
MD5: 3554778460b0db54c90be51a81afee85

Stáhnout soubor

Název: Lic_by_Lang_nl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 9.71 MB
Formát: application/x-gzip
MD5: 62bae3143c2aea4ad247bcfe96004715

Stáhnout soubor

Název: Lic_by_Lang_no_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost: 3.16 MB
Formát: application/x-gzip
MD5: c741ad2e83a3fa1427379f6c96f0589b

Stáhnout soubor

Název: Lic_by_Lang_pa_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost: 12.71 KB
Formát: application/x-gzip
MD5: 0f61077b74bd5ab04d2b0b321e1054cc

Stáhnout soubor

Název: Lic_by_Lang_pl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 7.32 MB
Formát: application/x-gzip
MD5: a914dae4c8fbcad69b4b77b382bca032

Stáhnout soubor

Název: Lic_by_Lang_pt_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost: 122.16 MB
Formát: application/x-gzip
MD5: 4fcbe595e921463efc4c59390188076c

Stáhnout soubor

Název: Lic_by_Lang_ro_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost: 8.99 MB
Formát: application/x-gzip
MD5: 9969403ac99b887f6ddcdd8f1a44e2c5

Stáhnout soubor

Název: Lic_by_Lang_ru_NoBoilerplate_true_MinHtml_true-r-00024.seg-00000.warc.gz
Velikost: 26.83 MB
Formát: application/x-gzip
MD5: e43b5b9d57a7f99522cb5f806b13cd4d

Stáhnout soubor

Název: Lic_by_Lang_sk_NoBoilerplate_true_MinHtml_true-r-00014.seg-00000.warc.gz
Velikost: 914.81 KB
Formát: application/x-gzip
MD5: 26962b86a4b39863ba56ce99515480de

Stáhnout soubor

Název: Lic_by_Lang_sl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 960.84 KB
Formát: application/x-gzip
MD5: e83931d5afc4dc0f0f65158d231c35fe

Stáhnout soubor

Název: Lic_by_Lang_so_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost: 331.17 KB
Formát: application/x-gzip
MD5: 044a9a533bb070fafc4875ab3906ed4d

Stáhnout soubor

Název: Lic_by_Lang_sq_NoBoilerplate_true_MinHtml_true-r-00020.seg-00000.warc.gz
Velikost: 2.46 MB
Formát: application/x-gzip
MD5: 83d8025d1cf15ee02b696a2ae8e6e540

Stáhnout soubor

Název: Lic_by_Lang_sv_NoBoilerplate_true_MinHtml_true-r-00025.seg-00000.warc.gz
Velikost: 6.56 MB
Formát: application/x-gzip
MD5: 47c3b6de2c889d9bcb2021737d909b9c

Stáhnout soubor

Název: Lic_by_Lang_sw_NoBoilerplate_true_MinHtml_true-r-00026.seg-00000.warc.gz
Velikost: 1.22 MB
Formát: application/x-gzip
MD5: 839baebeeda119cec41683375eb5c17b

Stáhnout soubor

Název: Lic_by_Lang_ta_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost: 6.42 MB
Formát: application/x-gzip
MD5: 6cbd88db733a7d253a0f57e627a542ae

Stáhnout soubor

Název: Lic_by_Lang_te_NoBoilerplate_true_MinHtml_true-r-00008.seg-00000.warc.gz
Velikost: 405.26 KB
Formát: application/x-gzip
MD5: 3a5c412c4e239cad8ec568d8d8c37704

Stáhnout soubor

Název: Lic_by_Lang_th_NoBoilerplate_true_MinHtml_true-r-00011.seg-00000.warc.gz
Velikost: 14.19 MB
Formát: application/x-gzip
MD5: c287743001edcb9fe9e73cf10caf7939

Stáhnout soubor

Název: Lic_by_Lang_tl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost: 2.78 MB
Formát: application/x-gzip
MD5: f1d4af461d317d48c97af0ebf13b9268

Stáhnout soubor

Název: Lic_by_Lang_tr_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 14.87 MB
Formát: application/x-gzip
MD5: b58d3d0e76fad22c2b202a56a6e69bbb

Stáhnout soubor

Název: Lic_by_Lang_uk_NoBoilerplate_true_MinHtml_true-r-00014.seg-00000.warc.gz
Velikost: 946.32 KB
Formát: application/x-gzip
MD5: 56dd2ac265c1b55ec6703f07e9ff9310

Stáhnout soubor

Název: Lic_by_Lang_unknown_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost: 49.16 MB
Formát: application/x-gzip
MD5: 84c05cfbbd0446087b21cd8e85d45e50

Stáhnout soubor

Název: Lic_by_Lang_ur_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost: 167.68 KB
Formát: application/x-gzip
MD5: ffadc233ca24f76de62a7308d89ae31b

Stáhnout soubor

Název: Lic_by_Lang_vi_NoBoilerplate_true_MinHtml_true-r-00012.seg-00000.warc.gz
Velikost: 16.98 MB
Formát: application/x-gzip
MD5: 0a47e8b1a2966b7bb00a83bf57c29254

Stáhnout soubor

Název: Lic_by_Lang_zh-cn_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost: 3.14 MB
Formát: application/x-gzip
MD5: 09850798260c807f2410ca40382887f6

Stáhnout soubor

Název: Lic_by_Lang_zh-tw_NoBoilerplate_true_MinHtml_true-r-00026.seg-00000.warc.gz
Velikost: 150.57 KB
Formát: application/x-gzip
MD5: 1d9848c18323f2f2add9c28d9a743e7a

Stáhnout soubor