新闻文本数据集
数据集介绍
一、产品概述
新闻文本数据集，包含6个网站，共计3674341167条文本。网站覆盖新浪网、澎湃网、人民网、搜狐、网易以及新华网，采集范围覆盖信源网站全量信息，采集范围覆盖2014年至2025年底，数据内容包含标题、内容、网站名称、网站域名、文章链接、图片链接等元信息。
二、产品目录结构
目录结构
数据目录结构数据目录结构
└─sohu（信源分类）
│├─sohu_202001.txt（文本文件）
命名规则
CORPUS/TYPE/TEXTe.g./sina/sina_202001.txt
目录名称 · 内容 · 备注
CORPUS · · 数据库编号
TYPE · sina、sohu、163、news、paper、people · 信源分类
TEXT · sina_202001.txt · 文本文件
三、文本信息
新闻文本数据集包含包含6个网站，网站覆盖新浪网、澎湃网、人民网、搜狐、网易以及新华网，采集范围覆盖信源网站全量信息，具体网站数量分配如下所示：
语种 · 条数
新浪网 · 642173297
澎湃网 · 41866039
新华网 · 6250328
网易 · 1250385589
搜狐 · 1680309801
人民网 · 53356113
合计 · 3674341167
数据样例下载
样例
样例（中文）
新华社快讯：神舟二十号航天员陈冬安全出舱。他是首位在轨驻留总时长超过400天的中国航天员，也是目前空间出舱活动次数最多的中国航天员
新华社快讯：神舟二十号航天员陈冬安全出舱。他是首位在轨驻留总时长超过400天的中国航天员，也是目前空间出舱活动次数最多的中国航天员。
乌首都基辅遭空袭4人死亡
新华社基辅11月14日电（记者李东旭）乌克兰首都基辅市军事管理局局长特卡琴科14日上午在社交媒体发文称，当天凌晨俄军对基辅市发动的大规模空袭已造成4人死亡，另有27人受伤。 特卡琴科称，受伤人员中包括两名儿童，所有受伤人员均得到救治
全运会｜拳击——男子92公斤级决赛：河南队韩雪振夺冠
11月14日，韩雪振（右）与孟繁龙在比赛中。 当日，在广东深圳进行的第十五届全国运动会拳击男子92公斤级决赛中，河南队选手韩雪振战胜北京队选手孟繁龙，夺得冠军。 新华社记者 杨冠宇 摄 11月14日，韩雪振（左）与孟繁龙在比赛中