---
dataset_info:
  features:
  - name: id
    dtype: string
  - name: url
    dtype: string
  - name: title
    dtype: string
  - name: text
    dtype: string
  splits:
  - name: train
    num_bytes: 7088384480
    num_examples: 1395760
  download_size: 3968649901
  dataset_size: 7088384480
configs:
- config_name: default
  data_files:
  - split: train
    path: data/train-*
language:
- ja
license: cc-by-sa-3.0
---

`apache_beam`と`mwparserfromhell`を用いて通常の[Wikipedia](https://huggingface.co/datasets/wikipedia)の前処理を行ったデータセットです。

本家の前処理時間が長すぎたため、前処理済みバージョンを配布しています。

各種規約・ライセンスは本家Wikipediaにしたがってください。


## Preprocessing Code

```python
import datasets as ds

dataset = ds.load_dataset(
    "wikipedia",
    language="ja",
    date="20240101",
    beam_runner="DirectRunner",
    trust_remote_code=True,
)

dataset.push_to_hub("hpprc/wikipedia-20240101", max_shard_size="1GB")
```