К содержимому

Датасет · ieasybooks-org

Оцифрованная библиотека исламских книг на арабском

ieasybooks-org/waqfeya-library

Более 10 тысяч арабских книг в форматах PDF, TXT и DOCX, распознанных через Google Document AI.

Что внутри

Корпус на арабском языке, собранный из онлайн-библиотеки Waqfeya и охватывающий более 80 тематических категорий. Внутри лежит 22 443 PDF-файла (почти 9 миллионов страниц), представляющих 10 150 книг, а также извлечённые из них тексты в форматах TXT и DOCX, полученные с помощью Google Document AI API.

Что можно сделать

  • Обучение и проверка систем OCR и распознавания сложной арабской вёрстки
  • Предобучение LLM и RAG-систем на больших массивах литературы на арабском языке
  • Тренировка моделей извлечения текста из многостраничных PDF-документов
Задачи
Картинка → текст
Языки
Арабский
Размер
10K–100K записей
Скачиваний за месяц
208,1 тыс.
Лайков
23

Модели, обученные на нём

Как загрузить

from datasets import load_dataset

ds = load_dataset("ieasybooks-org/waqfeya-library")