id stringlengths 36 36 | source stringclasses 1
value | type stringclasses 1
value | language stringclasses 1
value | text stringlengths 500 669k | metadata dict |
|---|---|---|---|---|---|
056e5269-69f3-4521-8027-4a43cb8ea60d | wikipedia_it | text | it | Larmonium o armonio (in francese, harmonium) è un tipo di organo a serbatoio d'aria con tastiera (solitamente una) e due pedali che servono ad azionare i mantici per l'aria. Il suono è prodotto da una o più file di ance libere, analogamente alla fisarmonica e all'armonica a bocca.
Nella classificazione Hornbostel-Sach... | {
"url": "https://it.wikipedia.org/wiki/Armonium",
"title": "Armonium",
"license": "CC-BY-SA-4.0",
"scraped_at": "2026-05-28T07:58:48.393293+00:00",
"quality_score": 0.937,
"token_count": 2286,
"word_count": 1715
} |
30bb0861-64c0-48ee-8f19-382c371f9432 | wikipedia_it | text | it | thumb|Prometeo porta il fuoco all'umanità, di Heinrich Friedrich Füger (1817). Prometeo è stato talvolta citato dagli antropologi in quanto simbolo mitico della coscienza e del pensiero dell'uomo sul mondo e su di sé.
Lantropologia (dal greco , ànthropos, "uomo", e , lògos, "discorso, dottrina", quindi letteralmente: "... | {
"url": "https://it.wikipedia.org/wiki/Antropologia",
"title": "Antropologia",
"license": "CC-BY-SA-4.0",
"scraped_at": "2026-05-28T07:58:48.393293+00:00",
"quality_score": 0.9357,
"token_count": 2628,
"word_count": 1971
} |
2a91372e-f69a-4740-a02d-dc9ec9dae6b1 | wikipedia_it | text | it | thumb|Agricoltura egizia
Lagricoltura (dal latino agricultura, ager campi, e cultura coltivazione) è l'attività umana che consiste nella coltivazione di specie vegetali, da parte dell'agricoltore. Lo scopo basilare dell'agricoltura è ottenere prodotti dalle piante, da utilizzare soprattutto a scopo alimentare. In econo... | {
"url": "https://it.wikipedia.org/wiki/Agricoltura",
"title": "Agricoltura",
"license": "CC-BY-SA-4.0",
"scraped_at": "2026-05-28T07:58:48.393293+00:00",
"quality_score": 0.9359,
"token_count": 4644,
"word_count": 3483
} |
e26efb16-d6c5-4d4e-8050-9468aaf51105 | wikipedia_it | text | it | thumb|upright=1.4|Incisione dell'interno del Pantheon di Roma; Pierers Konversationslexikon encyclopedia, editore: Joseph Kürschner, 1891. Il Pantheon è attribuito all'architetto Apollodoro di Damasco. Un caso esemplare in cui la distribuzione della luce diviene spazio architettonico.
Larchitettura è la disciplina che ... | {
"url": "https://it.wikipedia.org/wiki/Architettura",
"title": "Architettura",
"license": "CC-BY-SA-4.0",
"scraped_at": "2026-05-28T07:58:48.393293+00:00",
"quality_score": 0.943,
"token_count": 6884,
"word_count": 5163
} |
855fcc1c-dba2-40ce-a2f0-847391ebd2a2 | wikipedia_it | text | it | min|verticale=1.3|Allegoria dell'astronomia nella sala delle Arti liberali e dei Pianeti, ad opera di Gentile da Fabriano (1412, Palazzo Trinci a Foligno)
min|La Via Lattea vista dalla Terra. Immagine ottenuta assemblando foto che coprono l'intera sfera celeste.
Lastronomia è la scienza naturale che si occupa dell'osse... | {
"url": "https://it.wikipedia.org/wiki/Astronomia",
"title": "Astronomia",
"license": "CC-BY-SA-4.0",
"scraped_at": "2026-05-28T07:58:48.393293+00:00",
"quality_score": 0.953,
"token_count": 8461,
"word_count": 6346
} |
139b07ef-744f-481c-8a05-af17dbc4b8cb | wikipedia_it | text | it | thumb|Il recupero dei cosiddetti bronzi di Riace nel 1972.
alt=Disegno in scala sott'acqua|miniatura|Disegno in scala sott'acqua
alt=Il relitto dell'E. Russ in Estonia è considerato un monumento del patrimonio nazionale|miniatura|Il relitto dellE. Russ in Estonia è considerato un monumento del patrimonio nazionale
Larc... | {
"url": "https://it.wikipedia.org/wiki/Archeologia_subacquea",
"title": "Archeologia subacquea",
"license": "CC-BY-SA-4.0",
"scraped_at": "2026-05-28T07:58:48.393293+00:00",
"quality_score": 0.9566,
"token_count": 4157,
"word_count": 3118
} |
12c67427-db8d-43dd-a5a9-d388bd4b709c | wikipedia_it | text | it | Nella crittoanalisi, lanalisi delle frequenze è lo studio della frequenza di utilizzo delle lettere o gruppi di lettere in un testo cifrato. Questo metodo è utilizzato per violare i cifrari classici. Le indagini quantitative sui testi si servono spesso di qualche forma di analisi delle frequenze.
Possono essere intere... | {
"url": "https://it.wikipedia.org/wiki/Analisi_delle_frequenze",
"title": "Analisi delle frequenze",
"license": "CC-BY-SA-4.0",
"scraped_at": "2026-05-28T07:58:48.393293+00:00",
"quality_score": 0.9387,
"token_count": 345,
"word_count": 259
} |
1a32d6b8-011b-4e03-9155-1b7b936ece9b | wikipedia_it | text | it | thumb|upright=1.5|I flauti sono aerofoni
Gli strumenti aerofoni (classificazione Hornbostel-Sachs: cat. 4) sono strumenti musicali nei quali l'aria stessa è il mezzo primario che viene messo in vibrazione producendo un suonoNegli strumenti a fiato l'aria viene insufflata direttamente dal suonatore, dalla bocca o, in a... | {
"url": "https://it.wikipedia.org/wiki/Aerofoni",
"title": "Aerofoni",
"license": "CC-BY-SA-4.0",
"scraped_at": "2026-05-28T07:58:48.393293+00:00",
"quality_score": 0.9092,
"token_count": 2436,
"word_count": 1827
} |
dbd03bfd-4b15-4ecf-a83d-f6cb1658fe0d | wikipedia_it | text | it | thumb|Allegoria delle arti, dipinto di Giacomo Grosso, 1925
Larte nel suo significato più ampio comprende ogni attività – svolta singolarmente o collettivamente – che porta a forme di creatività e di espressione estetica, poggiando su accorgimenti tecnici, abilità innate o acquisite e norme comportamentali derivanti da... | {
"url": "https://it.wikipedia.org/wiki/Arte",
"title": "Arte",
"license": "CC-BY-SA-4.0",
"scraped_at": "2026-05-28T07:58:48.393293+00:00",
"quality_score": 0.9482,
"token_count": 1673,
"word_count": 1255
} |
94e71d4b-5ac0-4e81-a703-98059772ef9c | wikipedia_it | text | it | La sua figura è associata ai movimenti di protesta negli Stati Uniti d'America durante gli anni sessanta e settanta ed è divenuta un simbolo della ribellione giovanile di quegli anni.
Biografia
left|thumb|Hoffman durante una marcia di protesta del 1969
Di origini ebraiche, dotato di una forte personalità, di orienta... | {
"url": "https://it.wikipedia.org/wiki/Abbie_Hoffman",
"title": "Abbie Hoffman",
"license": "CC-BY-SA-4.0",
"scraped_at": "2026-05-28T07:58:48.393293+00:00",
"quality_score": 0.9535,
"token_count": 1738,
"word_count": 1304
} |
End of preview. Expand in Data Studio
Wikipedia Italian — Preprocessed
A clean, preprocessed version of the Italian Wikipedia dump, ready for LLM pretraining.
Stats
| Field | Value |
|---|---|
| Language | Italian (it) |
| Total size | 6.6 GB |
| License | CC-BY-SA 4.0 |
| Source | it.wikipedia.org |
| Dump date | May 2026 |
Processing Steps
- Downloaded full Italian Wikipedia XML BZ2 dump
- Parsed articles using
mwparserfromhell— wikitext → plain text - Filtered redirects and short articles
- Cleaned — removed templates, file/image links, excessive whitespace
- Quality scored based on punctuation ratio
Format
{
"id": "uuid-v4",
"source": "wikipedia_it",
"type": "text",
"language": "it",
"text": "Article text...",
"metadata": {
"url": "https://it.wikipedia.org/wiki/Title",
"title": "Article Title",
"license": "CC-BY-SA-4.0",
"scraped_at": "2026-05-29T00:00:00+00:00",
"quality_score": 0.95,
"token_count": 512,
"word_count": 384
}
}
Usage
from datasets import load_dataset
ds = load_dataset("raj2708/wikipedia-it", split="train", streaming=True)
for row in ds:
print(row["metadata"]["title"])
print(row["text"][:300])
break
- Downloads last month
- 167