MisterAI/Wiki_FR_2026.07_TexteIntroductif

[Version Complète : MisterAI/WM-ENT-API-DUMP_FR_2026.07](https://huggingface.co/datasets/MisterAI/WM-ENT-API-DUMP_FR_2026.07)

• —https://huggingface.co/datasets/MisterAI/WM-ENT-API-DUMP_FR_2026.07

ESSAI I : Section Introductive Uniquement :: Jeux De Données : Dump WikiMedia Français Juillet 2026 : Extraction et Nettoyage

Description

Ce JDD contient des articles extraits du dump complet de Wikimedia Enterprise de juillet 2026, nettoyés et structurés pour l'entraînement de modèles d'apprentissage automatique.

Source originale : Wikimedia Enterprise Licence : CC BY 4.0 Volume initial : 120-150 Go Volume final nettoyé : 6.2 Go (143 fichiers .ndjson)

Contenu et Structure

Chaque entrée du JDD contient les champs suivants :

Exemple

{"Nom_Article": "Gallinago", "Sujet_Article": "Gallinago est un genre d'oiseaux Charadriiformes de la famille des Charadriidae. Toutes les espèces de ce genre sont des limicoles qui ont bécassine pour nom normalisé. Les autres bécassines sont du genre Lymnocryptes ou Coenocorypha.", "URL_Article": "https://fr.wikipedia.org/wiki/Gallinago", "Texte_Article": "Gallinago est un genre d'oiseaux Charadriiformes de la famille des Charadriidae. Toutes les espèces de ce genre sont des limicoles qui ont bécassine pour nom normalisé. Les autres bécassines sont du genre Lymnocryptes ou Coenocorypha. Selon la classification de référence du Congrès ornithologique international (version 15.2, 2026), le genre Gallinago est représenté par 18 espèces (ordre phylogénique) :", "Taille_Article": 4145}

Processus de Nettoyage

Première phase

• —Extraction du dump Wikimedia complet
• —Suppression des balises de formatage Wikimedia (templates, liens internes, catégories)
• —Conservation des éléments textuels principaux : titre, URL, sujet, texte général
• —Limitation : Extraction limitée à la section générale ; sections comme Bibliographie, Historique et Références ne sont pas incluses

Deuxième phase

• —Suppression des articles traitant de sujets sportifs et artistiques
• —Suppression des articles concernant les astéroïdes (représentaient 95% du premier fichier)
• —Note : Le filtrage par regex peut ne pas être exhaustif ; quelques articles de ces catégories subsistent

Résultat : Réduction de 150 Go à 6.2 Go

Versions Disponibles

• —Extractions Aléatoires (EA) : Échantillons représentatifs du contenu des 143 FichiersNettoyés.ndjson
• —JDDREAv1 : 101.52 Mo : 30 016 Lignes
• —JDDREAv2 : 204.30 Mo : 59 631 Lignes
• —JDDREAv3 : 1001.65 Mo : 295 560 Lignes
• —JDDRComplet : 6207.02 Mo : 1 745 772 Lignes

Utilisation Recommandée

Ce JDD est adapté à :

• —L'entraînement de modèles de traitement du langage naturel
• —L'extraction d'informations et la classification de textes
• —Les tâches de génération de contenu basées sur des connaissances factuelles

Attention : Le contenu est limité à la section introductive des articles ; les utilisateurs recherchant des analyses détaillées, des références ou des contextes historiques doivent consulter les articles source via les URLs fournies.

Licence et Attribution

Les données originales de Wikimedia sont distribuées sous la licence CC BY 4.0. Source : Wikimedia Enterprise

Extraction, nettoyage et structuration réalisés par MisterAi Avec l'assistance de :

• —Devstral
• —Nemotron
• —NorthCohere
• —Codestral
• —Command A+
• —DDGAIClaude4.5