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")