Datasetpublic

chaannwooff/Dartdoc

Dartdoc - 한국 금융공시 텍스트 데이터셋 한국 금융감독원 전자공시시스템(DART) OpenAPI를 통해 수집한 한국어 LLM 학습용 데이터셋입니다. 사업보고서, 증권신고서 등 공시 문서에서 고품질 한국어 텍스트를 추출하였습니다. 데이터셋 개요 항목 내용 언어 한국어 (ko) 수집 기간 2020년 ~ 2025년 총 레코드 수 256,548건 총 텍스트 약 4.6억 자 평균 청크 길이 약 1,794자 출처 금융감독원 DART OpenAPI 수집 대상 공시 유형 코드 대상 문서 필터 조건 정기공시 A 사업보고서 반기/분기보고서 제외 발행공시 C 증권신고서 정정신고서·집합투자 제외 추출 섹션 문서 전체가 아닌 품질이 높은 본문 섹션만 추출합니다. 섹션 내용 II 사업의 내용… See the full description on the dataset page: https://huggingface.co/datasets/chaannwooff/Dartdoc.

sourceHugging Facecc-by-4.0updated 5mo agoView on Hugging Face

1likes152downloads

Dataset Card

Dartdoc - 한국 금융공시 텍스트 데이터셋

한국 금융감독원 전자공시시스템(DART) OpenAPI를 통해 수집한 한국어 LLM 학습용 데이터셋입니다. 사업보고서, 증권신고서 등 공시 문서에서 고품질 한국어 텍스트를 추출하였습니다.

데이터셋 개요

항목	내용
언어	한국어 (ko)
수집 기간	2020년 ~ 2025년
총 레코드 수	256,548건
총 텍스트	약 4.6억 자
평균 청크 길이	약 1,794자
출처	금융감독원 DART OpenAPI

수집 대상

공시 유형	코드	대상 문서	필터 조건
정기공시	`A`	사업보고서	반기/분기보고서 제외
발행공시	`C`	증권신고서	정정신고서·집합투자 제외

추출 섹션

문서 전체가 아닌 품질이 높은 본문 섹션만 추출합니다.

섹션	내용
II	사업의 내용
IV	이사의 경영진단 및 분석의견

데이터 구조

json

{
  "rcept_no": "20240331001234",
  "corp_name": "삼성전자",
  "report_type": "사업보고서",
  "file": "0001.xml",
  "section": "II",
  "chunk": 0,
  "text": "당사는 반도체, 스마트폰 등 다양한 전자제품을 생산·판매하고 있으며..."
}

필드 설명

필드	설명
`rcept_no`	DART 접수번호
`corp_name`	회사명
`report_type`	공시 유형 (사업보고서 / 증권신고서)
`file`	원본 XML 파일명
`section`	추출 섹션 (II / IV)
`chunk`	청크 인덱스 (문서 내 순서)
`text`	본문 텍스트 (200자 이상, 최대 2,000자)

텍스트 필터링 기준

—한글 비율 20% 미만인 줄 제거
—숫자/특수문자로만 구성된 줄 제거
—200자 미만 청크 제거
—청크 단위: 최대 2,000자 (단어 경계 기준)

데이터 출처

—금융감독원 전자공시시스템(DART): https://dart.fss.or.kr
—DART OpenAPI: https://opendart.fss.or.kr

본 데이터셋은 공공데이터를 활용하여 구축되었습니다.