Dataset Viewer
Auto-converted to Parquet Duplicate
id
stringlengths
36
36
text
large_stringlengths
21
16.6M
source
stringclasses
3 values
language
stringclasses
1 value
meta
large_stringlengths
163
2.37k
dc52abb7-6329-4938-bc25-df51ea59affc
5. ΑΝΑΓΚ. ΝΟΜΟΣ 1204 της 20/29 Απρ. 1938 Περί απαγορεύσεως της χρήσεως των μολυβδούχων χρωμάτων. Άρθρον 1 Απαγορεύεται εις τας εργασίας χρωματισμού η χρήσις μολυβδούχων χρωμάτων περιεχόντων εις αναλογίαν μεγαλειτέραν των δύο επί τοις εκατόν (2%) μεταλλικόν μόλυβδον. Άρθρ.13-19.-(Καταργήθηκαν από την παρ. 3 άρθρ. 17 το...
greek_legislation
el
{"volume_id": 41, "volume_name": "ΕΡΓΑΤΙΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": "ΑΝΑΓΚΑΣΤΙΚΟΣ ΝΟΜΟΣ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"}
76beb5ee-d868-422e-b440-81c7bc1c13ec
15. ΝΟΜΟΘΕΤ.ΔΙΑΤΑΓΜΑ υπ’ αριθ.262 της 8/8 Ιουλ.1941 Περί συστάσεως θέσεως Γεν. Επιθεωρητού των εν Πελοποννήσω Νομαρχιών και αναστολής της ισχύος των περί εντοπιότητος διατάξεων. Προσωρινής ισχύος, ως και τα: α)Ν.Δ.794 της 29 Νοεμ./12 Δεκ.1941 περί συστάσεως εν Βόλω Γεν. Επιθεωρήσεως Νομαρχιών και συμπληρώσεως του άρθρ...
greek_legislation
el
{"volume_id": 35, "volume_name": "ΔΙΟΙΚΗΤΙΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": "ΝΟΜΟΘΕΤΙΚΟ ΔΙΑΤΑΓΜΑ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"}
093d234d-19d0-4bb8-9b1d-d14fda6b293c
29. ΝΟΜΟΘΕΤ. ΔΙΑΤΑΓΜΑ υπ’ αριθ. 1164 της 4 Μαρτ./1 Απρ. 1942 Περί υπαγωγής της Υπηρεσίας Αυτοκινήτων απ’ ευθείας εις την Γενικήν Διεύθυνσιν Τ.Τ.Τ. Αντικατεστάθη δια των διατάξεων του Β.Δ. 870/1960.
greek_legislation
el
{"volume_id": 6, "volume_name": "ΤΑΧΥΔΡΟΜΕΙΑ - ΤΗΛΕΠΙΚΟΙΝΩΝΙΕΣ", "doc_type": "ΝΟΜΟΘΕΤΙΚΟ ΔΙΑΤΑΓΜΑ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"}
3e90b10f-7802-4a5d-92a5-b6f2f0f11d7d
29. ΠΡΟΕΔΡΙΚΟ ΔΙΑΤΑΓΜΑ υπ’ αριθ. 384 της 16/25 Ιουλ. 1985 (ΦΕΚ Α΄ 136) Κανονισμός αμοιβών ιατρικών επισκέψεων και πράξεων. ΄Εχοντες υπόψη: 1.Τις διατάξεις του άρθρ. 29 του Α.Ν. 1565/39 «Περί κώδικος ασκήσεως του ιατρικού επαγγέλματος», καθώς και του άρθρ. 1 του Ν.Δ. 3623/56 «Περί καθορισμού κατωτάτων ορίων ιατρικής αμο...
greek_legislation
el
{"volume_id": 4, "volume_name": "ΥΓΕΙΟΝΟΜΙΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": "ΠΡΟΕΔΡΙΚΟ ΔΙΑΤΑΓΜΑ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"}
e36bf481-f328-4863-bd76-fff93f6462f8
6. ΝΟΜΟΣ υπ’ αριθ. 213 της 13/20 Νοεμ. 1975 (ΦΕΚ Α΄ 258) Περί κυρώσεως της Διεθνούς Συμβάσεως των Παρισίων του 1883 «περί προστασίας της Βιομηχανικής Ιδιοκτησίας», ως αύτη ανεθεωρήθη εν Στοκχόλμη τη 14ην Ιουλ. 1967. Άρθρον πρώτον.-Κυρούται και έχει ισχύν νόμου η υπογραφείσα εν Στοκχόλμη την 14 Ιουλ. 1967 Διεθνής Σύμβασ...
greek_legislation
el
{"volume_id": 43, "volume_name": "ΕΜΠΟΡΙΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": "ΝΟΜΟΣ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"}
fd2bdc28-d0e6-4754-be58-ad62181c7389
58. ΠΡΟΕΔΡΙΚΟ ΔΙΑΤΑΓΜΑ υπ’ αριθ. 179 της 28/30 Μαρτ. 1989 (ΦΕΚ Α΄ 88) Διορισμός και τοποθέτηση εκπαιδευτικού προσωπικού της δευτεροβάθμιας εκπαίδευσης. ΄Εχοντας υπόψη: 1.Τις διατάξεις του άρθρ. 15, κεφ. β΄ παρ. 10 και Κεφ. Δ΄ παρ. 5 του Νόμ. 1566/1985 “δομή και λειτουργία της Πρωτοβάθμιας και δευτεροβάθμιας εκπαίδευσης...
greek_legislation
el
{"volume_id": 21, "volume_name": "ΕΚΠΑΙΔΕΥΤΙΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": "ΠΡΟΕΔΡΙΚΟ ΔΙΑΤΑΓΜΑ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"}
de0d1cb5-85fc-4688-8bc0-243c923e4e87
19. ΝΟΜΟΘΕΤ. ΔΙΑΤΑΓΜΑ υπ’ αριθ. 2528 της 13/22 Αυγ. 1953 (ΦΕΚ Α΄ 222) Περί εισφοράς υπέρ του Ταμείου Ασφαλίσεως Αρτεργατών.
greek_legislation
el
{"volume_id": 19, "volume_name": "ΑΣΦΑΛΙΣΤΙΚΑ ΤΑΜΕΙΑ", "doc_type": "ΝΟΜΟΘΕΤΙΚΟ ΔΙΑΤΑΓΜΑ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"}
ca844e7e-8e93-4f0b-a280-2536974c4d1a
41. ΠΡΑΞΗ ΥΠΟΥΡΓΙΚΟΥ ΣΥΜΒΟΥΛΙΟΥ Αριθ. 21 της 15/3/2001 (ΦΕΚ Α΄ 53) Αναπροσαρμογή των τηρουμένων στην Τράπεζα της Ελλάδος σε δραχμές διαθεσίμων του Διεθνούς Νομισματικού Ταμείου (Δ.Ν.Τ.). Σελ. 252,332 Τεύχος Σελ. 609 40.Β.γ.38-41 Διεθνές Νομισματικό Ταμείο
greek_legislation
el
{"volume_id": 34, "volume_name": "ΔΙΠΛΩΜΑΤΙΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": null, "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"}
953dfbb0-2437-4a02-b88f-c219e4cf904d
5. ΑΝΑΓΚ. ΝΟΜΟΣ υπ’ αριθ.1923 της 27/31 Αυγ.1951 Περί κυρώσεως των εν Βρυξέλλαις υπογραφεισών Συμβάσεων α)περί Συμβουλίου Τελωνειακής Συνεργασίας, β)περί ονοματολογίας και γ)περί δασμολογητέας αξίας των εμπορευμάτων, ως και του πρωτοκόλλου του σχετικού με τον Όμιλον Μελετών δια την Ευρωπαϊκήν Τελωνειακήν Ένωσιν. Άρθρον...
greek_legislation
el
{"volume_id": 23, "volume_name": "ΤΕΛΩΝΕΙΑΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": "ΑΝΑΓΚΑΣΤΙΚΟΣ ΝΟΜΟΣ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"}
8d6241d3-8d22-4d36-b21e-69c15eaeeac0
9. ΑΠΟΦΑΣΙΣ ΥΠΟΥΡΓΟΥ ΠΑΙΔΕΙΑΣ Αριθ.146967 της 23 Νοεμ. 1964/19 Ιαν. 1965 (ΦΕΚ Β΄ 39) Περί των διδασκομένων και εξεταζομένων μαθημάτων εν τη Ιατρική Σχολή του Πανεπιστημίου Αθηνών, Τμηματικών και Πτυχιακών εξετάσεων.
greek_legislation
el
{"volume_id": 44, "volume_name": "ΕΠΙΣΤΗΜΕΣ ΚΑΙ ΤΕΧΝΕΣ", "doc_type": null, "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"}
0f38e06d-7e5f-4280-84c3-306389a1a739
32ζ. ΑΠΟΦΑΣΙΣ ΥΠΟΥΡΓΟΥ ΔΗΜΟΣΙΩΝ ΕΡΓΩΝ Αριθ. Γ. 39501/61 της 8 Μαΐου/18 Ιουν. 1963 (ΦΕΚ Β΄279) Περί εγκρίσεως καθορισμού χερσαίας ζώνης Λιμένος Πειραιώς από περιοχής Όρμου Κανάρη μέχρι Όρμου Παλάσκα (προβλής 1) και επεκτάσεως ταύτης από του Ν.Δ. άκρου του Ναυτικού Νοσοκομείου μέχρι της οδού Μακρυγιάννη (πράξις 326/1961...
greek_legislation
el
{"volume_id": 31, "volume_name": "ΛΙΜΕΝΙΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": null, "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"}
d2764174-fa3c-4181-a1ca-7f5d368d3436
9. ΑΠΟΦΑΣΗ ΥΠΟΥΡΓΟΥ ΠΡΟΕΔΡΙΑΣ ΚΥΒΕΡΝΗΣΕΩΣ Αριθ. Σ 42/2/15286 της 16 Σεπτ./6 Οκτ. 1980 (ΦΕΚ Β΄ 1012) (Διόρθ. Σφαλμ. στο ΦΕΚ Β΄ 1077 της 22 Οκτ. 1980) Περί των εκθέσεων ουσιαστικών προσόντων του επί συμβάσει εργασίας ιδιωτικού δικαίου ειδικού επιστημονικού τεχνικού και βοηθητικού προσωπικού του Δημοσίου, των οργανισμών...
greek_legislation
el
{"volume_id": 28, "volume_name": "ΔΗΜΟΣΙΟΙ ΥΠΑΛΛΗΛΟΙ", "doc_type": "ΑΠΟΦΑΣΗ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"}
cc4fa463-c963-456f-a257-6f36860a5ba9
2. ΠΡΟΕΔΡΙΚΟΝ ΔΙΑΤΑΓΜΑ υπ’ αριθ. 1124 της 19 Αυγ./22 Σεπτ. 1981 (ΦΕΚ Α΄ 277) Περί των υγειονομικών όρων τους οποίους πρέπει να πληρούν κρεατοσκευάσματα εισαγόμενα εις την Ελλάδα εκ Κρατών μελών των Ευρωπαϊκών Κοινοτήτων, εις συμμόρφωσιν προς την οδηγίαν υπ’ αριθ. 77/99/ΕΟΚ της 21.12.1976 (ΕΕ Νόμ. 26 της 31.1.1977). Κα...
greek_legislation
el
{"volume_id": 7, "volume_name": "ΔΑΣΗ ΚΑΙ ΚΤΗΝΟΤΡΟΦΙΑ", "doc_type": null, "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"}
364dae0d-83dd-43f9-8f98-f860a331f785
93. ΑΠΟΦΑΣΗ ΥΠΟΥΡΓΩΝ ΕΣΩΤΕΡΙΚΩΝ, ΟΙΚΟΝΟΜΙΚΩΝ, ΕΘΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΚΑΙ ΘΡΗΣΚΕΥΜΑΤΩΝ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΧΩΡΟΤΑΞΙΑΣ ΚΑΙ ΔΗΜΟΣΙΩΝ ΕΡΓΩΝ Αριθ. Δ4/162 της 28 Μαρτ. /5 Απρ. 1989 (ΦΕΚ Β΄ 238) Σχολική περιουσία, δαπάνες λειτουργίας, καθαριότητας επισκευής και συντήρησης των σχολικών μονάδων πρωτοβάθμιας και δευτεροβάθμιας εκπαίδευ...
greek_legislation
el
{"volume_id": 21, "volume_name": "ΕΚΠΑΙΔΕΥΤΙΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": "ΑΠΟΦΑΣΗ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"}
5b5f6d6d-0f08-4f24-839d-351c4ee0ad92
3. ΝΟΜΟΣ υπ’ αριθ. 1386 της 5/8 Αυγ. 1983 (ΦΕΚ Α΄ 107) Οργανισμός Οικονομικής Ανασυγκρότησης Επιχειρήσεων. Για τη λύση και εκκαθάριση του Οργανισμού Οικονομικής Ανασυγκρότησης Επιχειρήσεων Α.Ε. βλ. άρθρ. 12 έως και 20 Νόμ. 2741/28-28 Σεπτ. 1999 (ΦΕΚ Α΄199) κατωτ. αριθ. 30. Με την περίπτ. 59 άρθρ. 4 Νόμ. 2459/18-19 Φεβρ...
greek_legislation
el
{"volume_id": 38, "volume_name": "ΕΘΝΙΚΗ ΟΙΚΟΝΟΜΙΑ", "doc_type": "ΝΟΜΟΣ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"}
528b5d47-c22e-4666-8511-36b1db42b100
23. ΑΝΑΓΚ. ΝΟΜΟΣ της 31/31 Οκτ. 1935 Περί πληρώσεως θέσεων στρατιωτικών δικαστικών συμβούλων. Ήδη έχει περιληφθεί στον Κώδικα Δικ. Σώματος Ενόπλων Δυνάμεων του Νόμ. 2304/1995, (ΦΕΚ Α΄ 83), κατωτ. αριθ. 43.
greek_legislation
el
{"volume_id": 42, "volume_name": "ΠΟΙΝΙΚΗ ΝΟΜΟΘΕΣΙΑ", "doc_type": "ΑΝΑΓΚΑΣΤΙΚΟΣ ΝΟΜΟΣ", "source_name": "Permanent Greek Legislation Code - Raptarchis", "gazette": "Official Government Gazette (ΦΕΚ)"}
End of preview. Expand in Data Studio

Greek Corpus 150B

A large-scale, deduplicated Greek (Modern Greek, el) text corpus for training and fine-tuning foundation models. It pairs a broad web/knowledge/formal-document pretrain layer with a multilingual-instruction SFT layer, all normalized to a single unified schema and globally deduplicated.

This is part of an ongoing Global Corpus family of per-language foundation-model datasets (Dutch, Turkish, Bulgarian, Greek, …) built on a consistent architecture so that sources, schema, and provenance stay comparable across languages.

~146B pretrain tokens (Qwen3 tokenizer, 2% per-source sampled estimate, ±1.4B) across 49.6M documents, plus a ~10B-token SFT layer across 9.9M conversations. The repository is named for the rounded 150B headline figure.


Why this corpus

Greek is comparatively underserved at the open-corpus level. This dataset is designed to bridge that gap with:

  • Scale — a web backbone large enough to anchor real pretraining.
  • A native formal layer — Greek legislation from the Official Government Gazette, not just an EU-aggregator slice.
  • Clean, documented provenance — every row carries source-specific metadata, and the construction methodology is fully described below.
  • A consistent schema — drop-in compatible with the rest of the Global Corpus family.

Subsets

Subset Rows (post-dedup) Schema
pretrain 49,571,877 {id, text, source, language, meta}
sft 9,920,765 {id, messages, source, meta}
from datasets import load_dataset

# Pretrain (streaming recommended — the web backbone is large)
ds = load_dataset("hasankursun/greek-corpus-150b", "pretrain", split="train", streaming=True)

# SFT (ChatML-style messages)
sft = load_dataset("hasankursun/greek-corpus-150b", "sft", split="train", streaming=True)

Sources & token composition

Token counts are Qwen3-tokenizer estimates from a deterministic 2% per-source sample (each source extrapolated on its own tokens/doc ratio), to stay consistent with the rest of the Global Corpus family.

Pretrain

Source Documents Est. tokens Tok/doc Register Upstream
fineweb-2 47,320,750 ~111.1B 2,348 Web crawl HuggingFaceFW/fineweb-2 (ell_Grek)
finepdfs 1,962,750 ~33.9B 17,297 PDF / long-form formal HuggingFaceFW/finepdfs (ell_Grek)
finewiki 241,150 ~0.70B 2,905 Encyclopedic HuggingFaceFW/finewiki (el)
greek_legislation 47,250 ~0.16B 3,314 Native legal / statutory AI-team-UoA/greek_legal_code (Raptarchis)
Total 49,571,877 ~145.9B

SFT

Source Conversations Est. tokens Tok/doc Upstream
xp3x_greek 6,421,650 ~8.69B 1,354 CohereLabs/xP3x (ell_Grek)
aya_collection_greek 3,499,150 ~1.37B 393 CohereLabs/aya_collection_language_split (greek)
Total 9,920,765 ~10.07B

The SFT layer keeps Greek-involving cross-lingual tasks (e.g. translation into/out of Greek), not strictly monolingual pairs — consistent with the family default.


Data fields

pretrain

Field Type Description
id string UUIDv4, unique per document
text string Document text
source string One of fineweb-2, finepdfs, finewiki, greek_legislation
language string Always el
meta string JSON-serialized, source-specific metadata (see below)

meta keys by source:

  • fineweb-2 — url, date, dump, file_path, language_score, token_count
  • finepdfs — url, date, file_path, token_count, dump, original_id, full_doc_lid_score, fw_edu_scores, is_truncated
  • finewiki — url, title, date, wikidata_id, original_id, dump
  • greek_legislation — volume_id, volume_name, doc_type, source_name, gazette

finepdfs carries extra per-document quality signals (full_doc_lid_score, fw_edu_scores, is_truncated) to support downstream quality filtering. greek_legislation maps each document to its Raptarchis thematic volume (e.g. ΕΡΓΑΤΙΚΗ ΝΟΜΟΘΕΣΙΑ) and parses its legal doc_type (ΝΟΜΟΣ, ΠΡΟΕΔΡΙΚΟ ΔΙΑΤΑΓΜΑ, …).

sft

Field Type Description
id string UUIDv4, unique per conversation
messages list[{role, content}] ChatML-style turns (user / assistant)
source string xp3x_greek or aya_collection_greek
meta string JSON-serialized: dataset_name, original_id, task_name, template_name (+ config for xP3x)

Construction & deduplication

Every source was ingested with a streaming-first, RAM-bounded pipeline and normalized to the unified schema above, written as ZSTD-compressed Parquet shards. Each document carried an intermediate _dedup_key (a blake2b hash of its whitespace-normalized text), used only for deduplication and dropped from the final release.

The combine step performs a global, cross-source deduplication:

  • Exact-content duplicates (whitespace-normalized) are collapsed across all sources, not just within each source.
  • When the same content appears in more than one source, a priority order decides the winner: greek_legislation > finewiki > finepdfs > fineweb-2 (authoritative/formal sources win over web). The SFT layer prioritizes aya_collection_greek > xp3x_greek.
  • Deduplication is structural only — no quality filtering is applied at this stage (quality signals are preserved in meta for downstream use).

Per-subset deduplication statistics (rows in/out, duplicates removed, per-source survival) are recorded in each subset's _manifest.json.


Intended use & limitations

Intended use: pretraining and instruction-tuning of Greek and multilingual language models; Greek NLP research; tokenizer training.

Limitations to be aware of:

  • Web-tier quality varies. Like all CommonCrawl-derived corpora, the fineweb-2 layer contains some machine-translated and low-quality pages. No quality filter has been applied — the corpus is deliberately shipped at full recall, with finepdfs edu/LID scores provided so you can filter to taste.
  • SFT contains machine-translated instruction data. Portions of the Aya layer are machine-translated (the dataset_name field lets you filter or reweight by source quality). xP3x is heavily translation-task oriented.
  • Token counts are sampled estimates, not exhaustive counts (2% per-source sample, ±~1% at the corpus level). Run an exhaustive pass if you need an exact figure.
  • Legislation is historical (Raptarchis spans 1834–2015) and reflects the language and orthography of its period.

Licensing

This dataset is released under Apache-2.0, but it aggregates content from multiple upstream sources that retain their original licenses and terms. Notably: FineWeb-2 / FinePDFs / FineWiki derive from Common Crawl and Wikipedia and carry their respective terms; the Aya Collection and xP3x are released under permissive licenses with per-subdataset terms; Greek legislation derives from public Government Gazette material via AI-team-UoA/greek_legal_code. Users are responsible for verifying that their intended use complies with the terms of each upstream source. Please consult the linked upstream datasets for details.


Citation

@misc{kursun_greek_corpus_150b,
  title        = {Greek Corpus 150B: A Deduplicated Greek Corpus for Foundation Models},
  author       = {Kurşun, Hasan},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/datasets/hasankursun/greek-corpus-150b}},
  note         = {Part of the Global Corpus family}
}

Please also cite the upstream sources (FineWeb-2, FinePDFs, FineWiki, Aya Collection, xP3x, Greek Legal Code) where appropriate.


Contact & custom work

Built and maintained by Hasan Kurşun.

I build large-scale, multilingual datasets and ML data pipelines — corpus construction, dataset curation and cleaning, retrieval/embedding data, instruction-tuning sets, and end-to-end data engineering for LLM and ML projects. If you need a bespoke dataset (your language, your domain, your schema) or custom data/ML consulting, I'd be glad to help.

📧 hakursn@gmail.com

Available for freelance and contract work on data engineering, dataset construction, and applied ML.

Downloads last month
391

Collection including hasankursun/greek-corpus-150b