Add a dataset loading script

README.md

@@ -0,0 +1,42 @@
+---
+language:
+- ja
+size_categories:
+- 1M<n<10M
+license:
+- cc-by-sa-3.0
+- gfdl
+dataset_info:
+  features:
+  - name: id
+    dtype: string
+  - name: pageid
+    dtype: int64
+  - name: revid
+    dtype: int64
+  - name: paragraph_index
+    dtype: int64
+  - name: title
+    dtype: string
+  - name: section
+    dtype: string
+  - name: text
+    dtype: string
+  - name: html_tag
+    dtype: string
+  splits:
+  - name: train
+    num_bytes: 4417130987
+    num_examples: 9668476
+  download_size: 1489512230
+  dataset_size: 4417130987
+---
+
+# Dataset Card for llm-book/jawiki-paragraphs
+
+書籍『大規模言語モデル入門』で使用する Wikipedia 段落のデータセットです。
+GitHub リポジトリ [singletongue/wikipedia-utils](https://github.com/singletongue/wikipedia-utils) で公開されているデータセットを利用しています。
+
+## Licence
+
+本データセットで使用している Wikipedia のコンテンツは、[クリエイティブ・コモンズ表示・継承ライセンス 3.0 (CC BY-SA 3.0)](https://creativecommons.org/licenses/by-sa/3.0/deed.ja) および [GNU 自由文書ライセンス (GFDL)](https://www.gnu.org/licenses/fdl.html) の下に配布されているものです。

jawiki-paragraphs.py

@@ -0,0 +1,76 @@
+# Copyright 2020 The HuggingFace Datasets Authors.
+# Copyright 2023 Masatoshi Suzuki (@singletongue).
+#
+# Licensed under the Apache License, Version 2.0 (the "License");
+# you may not use this file except in compliance with the License.
+# You may obtain a copy of the License at
+#
+#     http://www.apache.org/licenses/LICENSE-2.0
+#
+# Unless required by applicable law or agreed to in writing, software
+# distributed under the License is distributed on an "AS IS" BASIS,
+# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
+# See the License for the specific language governing permissions and
+# limitations under the License.
+import io
+from typing import Iterator, List, Tuple
+
+import datasets
+import pyarrow as pa
+
+
+_DESCRIPTION = (
+    "書籍『大規模言語モデル入門』で使用する Wikipedia 段落のデータセットです。"
+    "GitHub リポジトリ singletongue/wikipedia-utils で公開されているデータセットを利用しています。"
+)
+_HOMEPAGE = "https://github.com/singletongue/wikipedia-utils"
+_LICENSE = (
+    "本データセットで使用している Wikipedia のコンテンツは、クリエイティブ・コモンズ表示・継承ライセンス 3.0 (CC BY-SA 3.0) "
+    "および GNU 自由文書ライセンス (GFDL) の下に配布されているものです。"
+)
+
+_URL = "https://github.com/singletongue/wikipedia-utils/releases/download/2023-04-03/paragraphs-jawiki-20230403.json.gz"
+
+
+class JaWikiParagraphs(datasets.ArrowBasedBuilder):
+    VERSION = datasets.Version("1.0.0")
+
+    def _info(self) -> datasets.DatasetInfo:
+        features = datasets.Features({
+            "id": datasets.Value("string"),
+            "pageid": datasets.Value("int64"),
+            "revid": datasets.Value("int64"),
+            "paragraph_index": datasets.Value("int64"),
+            "title": datasets.Value("string"),
+            "section": datasets.Value("string"),
+            "text": datasets.Value("string"),
+            "html_tag": datasets.Value("string"),
+        })
+        return datasets.DatasetInfo(
+            description=_DESCRIPTION,
+            homepage=_HOMEPAGE,
+            license=_LICENSE,
+            features=features,
+        )
+
+    def _split_generators(self, dl_manager: datasets.DownloadManager) -> List[datasets.SplitGenerator]:
+        filepath = dl_manager.download_and_extract(_URL)
+        return [datasets.SplitGenerator(name=datasets.Split.TRAIN, gen_kwargs={"filepath": filepath})]
+
+    def _generate_tables(self, filepath: str, chunksize: int = 10 << 20) -> Iterator[Tuple[int, pa.Table]]:
+        # cf. https://github.com/huggingface/datasets/blob/2.12.0/src/datasets/packaged_modules/json/json.py
+        with open(filepath, "rb") as f:
+            batch_idx = 0
+            block_size = max(chunksize // 32, 16 << 10)
+            while True:
+                batch = f.read(chunksize)
+                if not batch:
+                    break
+
+                batch += f.readline()
+                pa_table = pa.json.read_json(
+                    io.BytesIO(batch), read_options=pa.json.ReadOptions(block_size=block_size)
+                )
+
+                yield batch_idx, pa_table
+                batch_idx += 1