公开数据集
数据结构 ? 726.72M
Data Structure ?
* 以上分析是由系统提取分析形成的结果,具体实际数据为准。
README.md
Context
Newspaper articles are popular and diverse data sources for data scientists in various fields. To collect this kind of information, I built newspipe a scalable pipeline to crawl and extract data from news websites. Showing the power and flexibility of the pipeline, I collected articles from German-speaking publishers by providing the pipeline only with the URL of the website. This dataset is the result of the demonstration. I mainly crawled articles from 15 news sources over an extended period of time. The remaining 33 news sources were only test runs.
Content
Main news sources:
- berliner-zeitung
- bild
- faz
- focus
- handelsblatt
- heise
- mainpost
- spiegel
- stuttgarter-zeitung
- sueddeutsche
- tagesspiegel
- taz
- welt
- zeit
Every JSON has following keys:
- `id`: unique id
- `author` : author name as string (may contain unrelevant information)
- `published`: publish date as unix timestamp (int value)
- `title`: article title as string
- `summary`: summary of the article (not cleaned)
- `text`: article text as string
- `link`: link to news article
- `tags`: tags of the article (optional)
Inspiration
If you found this dataset useful, cite:
@misc{steven mi_2020, title={German News Dataset}, url={https://www.kaggle.com/dsv/1679751}, DOI={10.34740/KAGGLE/DSV/1679751}, publisher={Kaggle}, author={Steven Mi}, year={2020} }
I hope you can make some cool analyses with this dataset. I used this dataset to train GPT-2 and got some cool results, like:
"Wenn das zu deutlich werden sollte, ist es eigentlich ein katastrophales Signal für die Patienten, sich anzustrengen
×
帕依提提提温馨提示
该数据集正在整理中,为您准备了其他渠道,请您使用
注:部分数据正在处理中,未能直接提供下载,还请大家理解和支持。
暂无相关内容。
暂无相关内容。
- 分享你的想法
去分享你的想法~~
全部内容
欢迎交流分享
开始分享您的观点和意见,和大家一起交流分享.
数据使用声明:
- 1、该数据来自于互联网数据采集或服务商的提供,本平台为用户提供数据集的展示与浏览。
- 2、本平台仅作为数据集的基本信息展示、包括但不限于图像、文本、视频、音频等文件类型。
- 3、数据集基本信息来自数据原地址或数据提供方提供的信息,如数据集描述中有描述差异,请以数据原地址或服务商原地址为准。
- 1、本站中的所有数据集的版权都归属于原数据发布者或数据提供方所有。
- 1、如您需要转载本站数据,请保留原数据地址及相关版权声明。
- 1、如本站中的部分数据涉及侵权展示,请及时联系本站,我们会安排进行数据下线。