Khoảng 50G text dữ liệu truyện tiếng Việt lọc từ common crawl dumps (from 2014-10 to 2023-23)
Dữ liệu được lấy tự động từ common crawls, phân tách bằng máy và chưa qua lọc nên còn nhiều nội dung không phù hợp (sex) lưu ý lọc kỹ và dedup trước khi sử dụng ...
Dữ liệu được raw nằm ở dạng dump .7z và được tạm phân tách theo domain ở các file .xz
