Dataset Card for tw-apple-daliy

tw-apple-daliy 是一個以台灣蘋果日報（已停刊）線上新聞為來源之繁體中文新聞存檔，以單一 tarball（appledaily_json.tgz，約 1.36 GB）形式提供。解壓後為依「分類／日期／文章 ID」組織之 JSON 檔案階層，時間跨度約 2003–2022 年，涵蓋國際、政治、娛樂、體育、地方等多個分類，可作為繁中新聞 CPT 之大規模語料。

Dataset Details

Dataset Description

台灣蘋果日報於 2022 年停刊，其累積之新聞存檔成為研究台灣近 20 年社會、政治與娛樂議題之重要素材。本資料集保存其 tw.appledaily.com 之公開文章頁面之 JSON 結構化內容，並以單一 tarball 儲存以減少 HF Hub 之小檔案負擔。

每篇文章之 JSON 保留以下欄位：

• @id：文章原始 URL；
• articleSection：新聞分類（如「國際」、「政治」、「娛樂」等）；
• headline：標題；
• description：摘要；
• datePublished / dateModified：發佈與修改時間（ISO 8601）；
• keywords：關鍵字陣列；
• raw_content：文章主體內容（可能為空或結構化段落）。

解壓後之目錄結構為：

appledaily_json/
  <articleSection>/
    <YYYYMMDD>/
      <article_id>/
        index.json

• Curated by: Liang Hsun Huang
• Language(s) (NLP): Traditional Chinese
• License: Other — 新聞存檔之再使用須遵守原出版機構（台灣蘋果日報／壹傳媒）之授權規範
• Time Range: 約 2003–2022 年
• Archive Size: ~1.36 GB（壓縮）

Dataset Sources

• Repository: lianghsun/tw-apple-daliy

Uses

Direct Use

本資料集主要設計用於：

• 繁體中文新聞 LLM 之 CPT 訓練；
• 作為台灣近 20 年新聞報導語料之研究素材；
• 用於研究新聞分類、標題生成、摘要等 NLP 任務；
• 作為 RAG pipeline 之歷史新聞知識源。

Out-of-Scope Use

本資料集不適用於下列用途：

• 作為商業產品之訓練資料（授權為 other，商業使用需另行確認）；
• 作為事實查核之最終依據；
• 作為侵犯個人隱私之素材（部分舊新聞可能含可識別資訊）；
• 未遵守原出版機構授權之再散布。

Dataset Structure

Archive layout：

appledaily_json.tgz
└── appledaily_json/
    ├── international/
    ├── politics/
    ├── entertainment/
    ├── sports/
    ├── local/
    ├── life/
    ├── lifestyle/
    ├── headline/
    ├── forum/
    ├── supplement/
    ├── property/
    ├── gadget/
    ├── highlight/
    ├── bloglist/
    ├── daily/
    ├── micromovie/
    ├── adcontent/
    └── home/
        └── <YYYYMMDD>/
            └── <article_id>/
                └── index.json

**單篇 index.json**：

{
  "@id": "https://tw.appledaily.com/international/20201124/AJVN5RDG5BDZ3HMLSGDWDVGBNU/",
  "articleSection": "國際",
  "description": "",
  "dateModified": "2020-11-23T13:37:16.067Z",
  "datePublished": "2020-11-23T19:00:00Z",
  "headline": "蘋果派生活美語　Apple Pie Everyday English",
  "keywords": ["蘋果派生活美語"],
  "raw_content": []
}

欄位	型別	說明
@id	string	文章原始 URL
articleSection	string	新聞分類（中文）
description	string	摘要
dateModified	string	最後修改時間（ISO 8601）
datePublished	string	發佈時間（ISO 8601）
headline	string	標題
keywords	list[string]	關鍵字
raw_content	list	文章主體結構化段落（可能為空陣列）

統計項目	數值
封存檔大小	~1.36 GB（.tgz）
檔案總數	約 279 萬個檔案（含目錄）
分類	18+ 個 articleSection
時間跨度	約 2003–2022

Dataset Creation

Curation Rationale

台灣蘋果日報停刊後，其歷史新聞檔案散落且難以系統取得。本資料集將其公開新聞頁面之 JSON 結構化內容整理為單一 tarball，方便研究人員與繁中 LLM 訓練社群使用。

Source Data

Data Collection and Processing

• 來源：台灣蘋果日報之 tw.appledaily.com 公開新聞頁面；
• 處理：保留原站 JSON 結構（Schema.org NewsArticle），按「分類／日期／ID」階層組織；
• 封裝：以 .tgz 方式整體封存，減少小檔案 I/O 負擔。

Who are the source data producers?

原始新聞由台灣蘋果日報（壹傳媒集團）之編輯部撰寫。

Annotations

Annotation process

本資料集不包含額外人工標註。

Who are the annotators?

不適用。

Personal and Sensitive Information

新聞內容可能含有公眾人物姓名、受訪者姓名、地點與事件描述。部分早期新聞可能含有以現行隱私標準下不宜公開之資訊。使用者不得將資料用於個人識別、監控或二次暴露敏感資訊之場景。

Bias, Risks, and Limitations

• 來源偏態：單一媒體立場之新聞，可能反映其編輯傾向；
• raw_content 欄位空值：部分文章之主體內容為空陣列，僅有標題與 metadata；
• 拼字：repo 名稱保留原始拼字 tw-apple-daliy；
• 授權不明：台灣蘋果日報已停刊，其新聞著作權歸屬仍有爭議；
• 時效：內容停在停刊時點（2022），不反映最新事件。

Recommendations

建議使用者：

• 與其他台灣新聞語料（如 tw-news-551M、free_english_news）搭配使用，降低單一來源偏態；
• 商業用途前自行確認原出版機構之授權狀況；
• 對新聞內文中涉及一般民眾之敘述審慎處理；
• 讀取時使用 streaming 方式解壓 tarball 以避免全量展開佔用磁碟。

Citation

@misc{tw-apple-daliy,
  title        = {tw-apple-daliy: Taiwan Apple Daily News Archive},
  author       = {Liang Hsun Huang},
  year         = {2025},
  howpublished = {\url{https://huggingface.co/datasets/lianghsun/tw-apple-daliy}},
  note         = {~1.36GB tarball archive of Taiwan Apple Daily news (2003-2022), ~2.79M files across 18+ sections.}
}

Dataset Card Authors

Liang Hsun Huang

Dataset Card Contact

Liang Hsun Huang