书籍类电子或文本数据-Wiki与长文

包含7万+电子书、文学、历史、哲学、科学等长文本，适用于LLM预训练、长上下文理解及文本生成训练。

0 条数据更新时间 2026-06-08

数据集简介

主要数据内容包括：超过 7 万本公共领域电子书数据文学、历史、哲学、科学等长文本内容TXT / EPUB / HTML 等纯文本格式数据英文经典小说与世界文学数据长篇叙事与章节结构文本数据适合语言模型训练的大规模电子书语料支持的能力方向包括：LLM 预训练长上下文（Long Context）训练文本生成与续写知识增强 RAG文学风格学习文本摘要与 QA 训练

数据质量

记录时效性

按需更新

记录结构化

NDJSON、JSON、CSV、XLSX、Parquet，支持定制化

记录云交付

Amazon S3、Snowflake、Alibaba Cloud OSS、Google Cloud Storage、Google Drive

记录标准化

为保证数据的一致性与可用性，数据集在构建过程中对原始记录进行了标准化处理，包括：（1）单位标准化：统一价格、重量、尺寸等字段的计量单位；（2）格式标准化：统一日期、时间、数值字段的表示格式；（3）文本清洗：去除 HTML 标签、多余空格及异常字符；（4）字段规范化：统一字段命名、数据类型与缺失值表示方式。该过程确保数据在不同来源和不同采集批次之间保持结构一致性，便于后续分析与建模。

记录代表性

数据覆盖全量业务场景，样本均衡，具备行业代表性

需要定制更适合业务场景的数据集？

我们支持公开数据浏览、关键词筛选与企业级定制交付，帮助你更快完成模型训练与数据分析落地。