dom-pi-pdfs-2025 gutoportelaa
DOM-PI 2025 — PDFs-fonte (Diário Oficial dos Municípios do Piauí) PDFs originais das publicações de 2025 do Diário Oficial dos Municípios do Piauí, organizados por Território de Desenvolvimento. São a fonte da qual o corpus textual foi extraído por OCR/parsing. 41.617 PDFs · ~70 GB. Dataset de texto derivado (carregável, com limpeza e tiers de qualidade): gutoportelaa/dom-pi-corpus-2025. Cobertura de PDFs (parcial): presentes 7 territórios — tabuleiros_alto_parnaiba… See the full description on the dataset page: https://huggingface.co/datasets/gutoportelaa/dom-pi-pdfs-2025.
- 类型
- dataset
- 许可
- cc-by-4.0
- 语言
- pt
- 下载量
- 306,433
- 点赞
- 0
- 访问
- public
- 文件
- 0
标签
- 文本数据集
- 预训练语料
- 多语言语料
- OCR
- 文档解析
- 数据处理
- 数字人文
- 机器学习
摘要
该数据集收录2025年巴西皮奥伊州各市官方公报（DOM-PI）的41,617份原始PDF文件（约70GB），按发展区域组织，是提取文本语料的OCR源文件。附有manifest索引（parquet格式），可按市/日期查询筛选PDF。核心用途是为构建本地法律、政府类语料库的OCR/解析流水线提供原始文档，需配合OCR工具提取文本。
README
--- license: cc-by-4.0 language: - pt pretty_name: "DOM-PI 2025 — PDFs-fonte do Diário Oficial dos Municípios do Piauí" tags: - legal - government - brazil - piaui - official-gazette - pdf - ocr-source size_categories: - 10K<n<100K --- # DOM-PI 2025 — 源PDF（皮奥伊州市政公报） **皮奥伊州市政公报** **2025年** 各期出版的**原始…