Korpus ke stažení

Celý archiv strojově čitelně: 274 záznamů, z toho 273 s textem. Soubory se generují při každém sestavení webu.

Soubory

• corpus.jsonl — jeden záznam na řádek (NDJSON), včetně plného textu. Formát, který čtou datové nástroje přímo.
• index.json — totéž jako jeden dokument JSON.
• all.md — všechny texty v jednom Markdownu.
• manifest.json — počty, rozsah a kontrolní součty SHA-256 každého souboru.
• feed.xml — RSS s plným textem.
• /komentare/src/ — zdrojový Markdown každé položky. Kratší příspěvky ze sítí zdrojový soubor nemají; jejich data jsou v social-posts.json.

Úplnost textu

Každý záznam nese pole text_status, aby bylo zřejmé, co archiv skutečně obsahuje:

• published_full_text — 216
• author_manuscript — 23
• machine_transcript — 21
• correspondence — 8
• unpublished_manuscript — 2
• publisher_excerpt — 2
• publisher_transcript — 1
• link_only — 1

Every record carries a text_status field, so a consumer can tell a published text from the author's own version, from a publisher's teaser, from a transcript of a recording, from an audio/video record that stores no text at all.