Datasets
Dataset
wikipedia
by graelo
Wikipedia dataset containing cleaned articles of all languages. The datasets are built from the Wikipedia dump with one split per language.
CC-BY-SA-3.0text-generation 2840 72100M < n < 1B rows
published 10 Jun 2023
Preview
First 5 rows of 20230601.or / train, from the Hugging Face dataset viewer.
| id | url | title | text |
|---|---|---|---|
| 1024 | https://or.wikipedia.org/wiki/%E0%AC%AD%E0%AC%BE%E0%AC%B0%E0%AC%A4 | ଭାରତ | ଭାରତ ସରକାରୀ ସ୍ତରରେ ଏକ ଗଣରାଜ୍ୟ ଓ ଦକ୍ଷିଣ ଏସିଆର ଏକ ଦେଶ । ଏହା ଭୌଗୋଳିକ ଆୟତନ ଅନୁସାରେ ବିଶ୍ୱର ସପ୍ତମ ଓ ଜନସଂଖ୍ୟା ଅନୁସାରେ ବିଶ୍ୱର ଦ୍ୱିତୀୟ ବୃହତ୍ତମ ଦେଶ । ଏହା ବିଶ୍ୱର ବୃହତ୍ତମ ଗଣତନ୍ତ୍ର ରୁପରେ ପରିଚିତ । ଏହାର ଉତ୍ତରରେ ଉଚ୍ଚ ଏବଂ ବହୁଦୂର ଯାଏ ଲମ୍ବିଥିବା ହିମାଳୟ, ଦକ୍ଷିଣରେ ଭାରତ ମହାସାଗର, ପୂର୍ବରେ ବଙ୍ଗୋପସାଗର ଓ ପଶ୍ଚିମରେ ଆରବସାଗର ରହ… |
| 1589 | https://or.wikipedia.org/wiki/%E0%AC%93%E0%AC%A1%E0%AC%BC%E0%AC%BF%E0%AC%86 | ଓଡ଼ିଆ | ଓଡ଼ିଆ ବୋଧେ: ଭାରତରେ ଓଡ଼ିଆ ଲୋକ ଓଡ଼ିଆ ଭାଷା ଓଡ଼ିଆ ଲିପି ଓଡ଼ିଆ ସାହିତ୍ୟ ଓଡ଼ିଆ ଖାଦ୍ୟକୁ ବୁଝାଇପାରେ |
| 1594 | https://or.wikipedia.org/wiki/%E0%AC%AA%E0%AD%8D%E0%AC%B0%E0%AC%A7%E0%AC%BE%E0%AC%A8%20%E0%AC%AA%E0%AD%83%E0%AC%B7%E0%AD%8D%E0%AC%A0%E0%AC%BE | ପ୍ରଧାନ ପୃଷ୍ଠା | <div id="ପ୍ରଧାନ ପୃଷ୍ଠା"> |} |
| 1862 | https://or.wikipedia.org/wiki/%E0%AD%A8%E0%AD%A6%E0%AD%A6%E0%AD%AC | ୨୦୦୬ | ଘଟଣା ଜାନୁଆରୀ-ମାର୍ଚ୍ଚ ଅପ୍ରେଲ-ଜୁନ ଜୁଲାଇ-ସେପ୍ଟେମ୍ବର ଅକ୍ଟୋବର-ଡିସେମ୍ବର ଅଜ୍ଞାତ ତିଥି ଘଟଣା ଜନ୍ମ ଜାନୁଆରୀ-ମାର୍ଚ୍ଚ ଅପ୍ରେଲ-ଜୁନ ଜୁଲାଇ-ସେପ୍ଟେମ୍ବର ଅକ୍ଟୋବର-ଡିସେମ୍ବର ମୃତ୍ୟୁ ଜାନୁଆରୀ-ମାର୍ଚ୍ଚ ଅପ୍ରେଲ-ଜୁନ ଜୁଲାଇ-ସେପ୍ଟେମ୍ବର ଅକ୍ଟୋବର-ଡିସେମ୍ବର ଆଧାର ୨୦୦୬ |
| 1929 | https://or.wikipedia.org/wiki/%E0%AC%9C%E0%AC%BE%E0%AC%AA%E0%AC%BE%E0%AC%A8 | ଜାପାନ | ଜାପାନ (日本, ନିପ୍ପୋଁ ବା ନିହୋଁ), ପୂର୍ବ ଏସିଆରେ ଅବସ୍ଥିତ ଏକ ଦ୍ୱୀପ ରାଷ୍ଟ୍ର । ଏହାର ପଶ୍ଚିମରେ ଜାପାନ ସାଗର, ଓଖୋତ୍ସକ ସାଗରଠାରୁ ପୂର୍ବ ଚୀନ ସାଗର ଓ ତାଇୱାନ ପର୍ଯ୍ୟନ୍ତ ବ୍ଯାପ୍ତ ହୋଇ ରହିଛି । ପ୍ରଶାନ୍ତ ଅଗ୍ନିବଳୟର ଏକ ଅଂଶ, ଜାପାନ ୬,୮୫୨ଟି ଦ୍ୱୀପରେ ଗଢାହୋଇଛି ଯାହାର ପ୍ରାୟ ୩,୭୭,୯୭୫ ବର୍ଗ କି.ମି. କ୍ଷେତ୍ରଫଳ ରହିଛି; ଦେଶର ପାଞ୍ଚଟି ମୁଖ୍ଯ ଦ୍ୱୀ… |
Cite this
CC-BY-SA-3.0textCite
Tags
task_categories:text-generationtask_categories:fill-masktask_ids:language-modelingtask_ids:masked-language-modelingannotations_creators:no-annotationlanguage_creators:crowdsourcedmultilinguality:multilingualsource_datasets:originallanguage:ablanguage:acelanguage:adylanguage:aflanguage:aklanguage:alslanguage:altlanguage:amlanguage:amilanguage:anlanguage:anglanguage:anplanguage:arlanguage:arclanguage:arylanguage:arzlanguage:aslanguage:astlanguage:atjlanguage:avlanguage:avklanguage:awalanguage:aylanguage:azlanguage:azblanguage:balanguage:banlanguage:barlanguage:bcllanguage:belanguage:bglanguage:bh