数据集 - Al-Maktabah-Al-Shamilah （伊斯兰典籍全集）

---

一、关于 Al-Maktabah-Al-Shamilah 数据集

基础信息

• Hugging Face：MohamedRashad/Al-Maktabah-Al-Shamilah
• 数据集主页：Al-Maktabah Al-Shamilah
• 贡献团队：MohamedRashad
• 数据集类型：专业型（阿拉伯语古籍）
• License：部分公域/需确认版权状态

---

数据集背景

本数据集源自Al-Maktabah Al-Shamilah——最广泛使用的阿拉伯与伊斯兰遗产数字图书馆之一，现以结构化机器可读格式呈现，支持：

• 阿拉伯语自然语言处理(NLP)研究
• 语言学分析
• 数字人文研究

核心数据量：

• 📚 典籍数量：6,521 部独立著作
• 📝 文本段落：590 万行（每行为书籍节选）
• 🌍 语言类型：古典阿拉伯语为主，含部分现代标准阿拉伯语

---

二、数据特性

1、核心特征

• 结构化古籍：将传统典籍转化为标准JSON格式
• 跨世纪文本：涵盖数百年的伊斯兰学术文献
• 纯净数据：保持原始网站文本质量

2、数据结构

{"Book_name": "تفسير ابن كثير",  // 典籍名称"text": "الْحَمْدُ لِلَّهِ الَّذِي أَنْزَلَ عَلَى عَبْدِهِ الْكِتَابَ..."  // 文本段落
}

---

三、应用场景

潜在研究方向

• 🧠 语言模型训练：古典阿拉伯语建模
• 🔍 学术搜索引擎：跨世纪文献检索系统
• 📊 主题建模：历史文本语义聚类
• 📜 语言演变研究：词汇与文风历时分析

---

四、注意事项

使用须知

• 🕌 内容性质：主要为宗教与学术文献，需谨慎使用
• ⚖️ 版权状态：部分作品仍受版权保护，商用前需确认
• 🔍 结构说明：段落划分基于原始网站结构，可能与语义段落不完全对应

---

五、学术意义

阿拉伯语作为承载千年知识与文化的语言，在数字时代长期面临：

• 文本资源分散
• 缺乏结构化处理
• 技术投入不足

本数据集旨在：

1. 保护阿拉伯语文化遗产
2. 赋能阿拉伯语技术研究
3. 促进古典文献与AI技术的融合

---

六、引用格式

@dataset{almaktabah_alshamilah_2025,title        = {Al-Maktabah Al-Shamilah Dataset},year         = {2025},url          = {https://huggingface.co/datasets/MohamedRashad/Al-Maktabah-Al-Shamilah},note         = {Scraped from https://shamela.ws}
}

---

伊织 xAI 2025-09-16（周二）