---
title: tolstoy-corpus-ru
canonical_url: "https://www.modelscope.cn/datasets/Ephemeral6/tolstoy-corpus-ru"
md_url: "https://www.modelscope.cn/datasets/Ephemeral6/tolstoy-corpus-ru.md"
repository: Ephemeral6/tolstoy-corpus-ru
chinese_name: "托尔斯泰全集清洗语料"
last_updated: 2026-06-09
license: "Apache License 2.0"
storage_size: "89 MB"
downloads: 111
stars: 0
---

# tolstoy-corpus-ru

> tolstoy-corpus-ru - Ephemeral6 在 ModelScope 开源的数据集。Tolstoy Complete Works — Cleaned Russian Corpus (托尔斯泰全集·清洗语料)

Ephemeral6/tolstoy-corpus-ru 是 ModelScope 魔搭社区上的数据集，存储大小 89 MB，采用 Apache License 2.0 许可。

- **Repository**: Ephemeral6/tolstoy-corpus-ru
- **License**: Apache License 2.0
- **Storage size**: 89 MB
- **Downloads**: 111
- **Stars**: 0
- **Last updated**: 2026-06-09

Source: https://www.modelscope.cn/datasets/Ephemeral6/tolstoy-corpus-ru

---

# Tolstoy Complete Works — Cleaned Russian Corpus (托尔斯泰全集·清洗语料)

公有领域俄语文学语料：列夫·托尔斯泰《全集》经清洗、归一化后的 Markdown 文本，
用于语言建模、文学/语料研究、检索与阅读伴读等。

- **作者**：Лев Николаевич Толстой（列夫·托尔斯泰，1828–1910）—— **公有领域**（作者逝世逾百年）。
- **来源**：原始电子文本取自公开站点 `tolstoy.ru`（全集 fb2/epub），仅作清洗加工，未含任何受限内容。
- **体量**：`cleaned/` 共 **45** 卷 Markdown，约 **92.8 MB** 纯文本。

## 目录结构
```
.
├── cleaned/          # 清洗后的全集正文，每卷一个 .md（UTF-8）
└── metadata/         # 加工元数据（非正文）
    ├── manifest.json          # 各卷来源/格式/字节数（含 tolstoy.ru 源 URL）
    ├── works_manifest.json    # 作品级清单（标题/卷次）
    ├── convert_report.json    # fb2/epub → 文本 转换报告
    ├── clean_report.json      # 每卷清洗统计（去样板、同形异义字修正、字符保留率等）
    └── charbalance_target.json# 西里尔字符量目标/分区统计
```

## 清洗处理（见 `metadata/clean_report.json`）
- fb2/epub → 纯文本/Markdown 转换；
- 去除版式样板（front-matter / 注释装置等非正文）；
- 同形异义字（homoglyph）修正、空白归一化；
- 记录每卷西里尔字符保留率（`cyrillic_loss_pct` 多在 0.2~0.3% 量级）以保证正文完整。

## 用途
适合：俄语语言模型预训练/续训语料、文学文本分析、风格/主题研究、RAG 知识库、阅读伴读。

## 许可与署名
- **正文文本**：公有领域（Public Domain，作者逝于 1910）。
- **清洗/组织产物**（本仓库的整理方式与元数据）：CC0-1.0。
- 原始电子版权归 `tolstoy.ru` 所示来源；本语料仅做学术/研究用途的清洗再分发。