和谐历史档案馆数据集 - Banned Historical Archives Datasets

和谐历史档案馆数据集包含已录入 https://banned-historical-archives.github.io 和暂未未录入的原始文件。

目录结构

• banned-historical-archives.github.io # 已录入该网站的原始数据，不定期从 github 仓库中同步
  • raw # 原始文件
  • config # 配置文件
• todo # 存放暂未录入网站的文件

部分报纸和图片资料存放在单独的仓库:

贡献

原始文件贡献

• 少量文件推荐使用huggingface网页，登陆后可以上传文件(上传至todo目录)和删除文件，操作完成等待审核通过
• 大量文件推荐通过git工具上传到huggingface，再通过community联系我们
• todo文件夹中，应及时删除已录入的资料，避免重复录入

使用 github issue 贡献资料(支持自动化OCR)

https://github.com/banned-historical-archives/banned-historical-archives.github.io/blob/master/docs/upload-and-correction.md

注意事项

• 所有仓库总文件大小超过4TB，克隆仓库时请确保磁盘空间充足
• 克隆仓库时建议使用git clone --depth 1参数，否则将下载所有commit历史记录，影响下载速度