CoolFace
Datasetpublic

gutoportelaa/dom-pi-teresina-2025

DOM-Teresina 2025 — Diário Oficial do Município de Teresina (PI) Texto integral das publicações de 2025 do Diário Oficial do Município de Teresina (DOM-Teresina). a capital do Piauí — que publica em diário próprio. separado do DOM-PI dos Municípios. 9583 documentos · ~9.325.820 tokens · pt-BR. Parte da capital também está no dataset geral dos demais municípios: gutoportelaa/dom-pi-corpus-2025 (como território teresina). Este repositório é self-contained: inclui os PDFs-fonte em… See the full description on the dataset page: https://huggingface.co/datasets/gutoportelaa/dom-pi-teresina-2025.

sourceHugging Facecc-by-4.0updated 4mo agoView on Hugging Face
0likes110downloads
Dataset Card

DOM-Teresina 2025 — Diário Oficial do Município de Teresina (PI)

Texto integral das publicações de 2025 do Diário Oficial do Município de Teresina (DOM-Teresina). a capital do Piauí — que publica em diário próprio. separado do DOM-PI dos Municípios. 9583 documentos · ~9.325.820 tokens · pt-BR.

Parte da capital também está no dataset geral dos demais municípios: `gutoportelaa/dom-pi-corpus-2025` (como território teresina). Este repositório é self-contained: inclui os PDFs-fonte em pdfs/.

Configurações

ConfigSplitConteúdo
defaulttrain9583 docs — limpeza v2 + quality_tier + dedup.
curatedtrain9577 docs — Tier A+B (prosa aproveitável).
rawraw11100 docs — sem remover near-dups. com cluster_id.
python
from datasets import load_dataset
ds = load_dataset("gutoportelaa/dom-pi-teresina-2025". split="train")

Esquema

id. municipio (=Teresina). tipo_ato. ano. data_publicacao. n_tokens. tamanho_classe. quality_tier. texto. Tipos mais comuns: Portaria (5815). Decreto (2205). Lei (811). Contrato (302). Licitação (223). Edital (90).

Tiers de qualidade: A 9162 · B 415 · C 6 (C = tabela fiscal achatada / ruído de OCR — caso de re-extração).

Fonte e licença

  • —Fonte: Diário Oficial do Município de Teresina — publicações oficiais de 2025 (documentos públicos).
  • —PDFs-fonte: incluídos em pdfs/ neste mesmo repositório.
  • —Licença: CC-BY-4.0 — atribua à fonte (DOM-Teresina).