tmquan/vbpl-vn

Vietnamese National Legal Database — vbpl.vn

🇻🇳 Tóm tắt. Bộ dữ liệu mức văn bản của Cơ sở dữ liệu Quốc gia về pháp luật thu thập từ cổng vbpl.vn do Bộ Tư pháp vận hành. Bao gồm luật, pháp lệnh, nghị định, thông tư, quyết định, nghị quyết, chỉ thị… ở cả cấp trung ương (Quốc hội, Chính phủ, các bộ) lẫn địa phương (HĐND/UBND 63 tỉnh, thành). Mỗi dòng là một văn bản pháp luật kèm markdown đã chuẩn hoá tiếng Việt (NFC + chính tả hiện đại sau 1984) và lớp cấu trúc phân cấp đầy đủ: document → section → paragraph → sentence.

🇬🇧 Summary. Document-level corpus of Vietnam's National Legal Database harvested from vbpl.vn (operated by the Ministry of Justice). Covers laws, ordinances, decrees, circulars, decisions, resolutions, directives, etc. across both central (National Assembly, Government, ministries) and provincial (People's Council / People's Committee of the 63 provinces and cities) levels of authority. Each row is one legal document with its Vietnamese-normalised markdown body (NFC + modern post-1984 orthography) and a hierarchical structure layer: document → section → paragraph → sentence, every unit carrying a stable id + char span back into the markdown.

Tổng quan · At a glance

Chỉ số · Metric	Giá trị · Value
Văn bản công bố · Documents	158,822
Tổng số bản ghi đầu vào · Raw extract rows	158,822
Loại bỏ vì rỗng · Dropped (empty body)	0
Không có thân bài · markdown is null (source has no body)	11,505
Có cấu trúc · With structure layer	158,822
Có tệp đính kèm · With downloaded attachment	0
Trung vị ký tự · Median chars / doc	5,104
Trung vị trang · Median pages / doc	–
Trung vị đoạn văn · Median paragraphs / doc	1
Trung vị câu · Median sentences / doc	17

Tổng quan trực quan · Visual overview

Sáu hình tóm tắt cấu trúc của corpus. Tất cả hình được tạo bằng plotly + kaleido (Chromium headless) và lưu thành PNG tĩnh để hiển thị trong dataset card. — Six pictures summarising the corpus structure. All figures are rendered with plotly + kaleido (headless Chromium) and saved as static PNG for the dataset card.

Phân bố theo lĩnh vực pháp luật

Top 25 legal areas sized by document count. The pale Chưa phân loại ('uncategorised') rectangle covers ~72% on its own -- vbpl.vn editors haven't tagged most legacy docs.

Phạm vi → loại văn bản

Two-level radial split: scope (inner) → doc_type (outer, top 12 per scope). Reveals where the corpus weight sits -- dia_phuong (~66%) is mostly QĐ (decisions) and NQ (resolutions), while trung_uong mixes QĐ / NĐ (decrees) / TT (circulars).

Top 20 loại văn bản

Document types ranked by count, with the canonical short code, full Vietnamese name, and an English gloss.

Số văn bản theo năm và phạm vi

Stacked area of documents issued per year, split by scope. The legacy CMS migration concentrates early years; modern post-2010 output is dominated by dia_phuong.

Loại văn bản qua các năm

Top-12 doc_type × year heatmap (log₁₀ scale). Shows the shift from CT directives in the early 90s to QĐ decisions as the workhorse instrument from 2000 onwards.

Top 15 cơ quan ban hành

Top issuing agencies. Quốc hội + Chính phủ + the larger ministries dominate trung_uong; provincial People's Councils / Committees split the dia_phuong half.

Phạm vi · Scope split

Bộ dữ liệu chia làm hai nhánh: trung_uong (văn bản pháp luật do Quốc hội + Chính phủ + các bộ ngành Trung ương ban hành) và dia_phuong (HĐND/UBND của 63 tỉnh, thành). — The corpus splits into trung_uong (central authorities: National Assembly, Government, ministries) and dia_phuong (the 63 provinces and cities, mostly People's Council / People's Committee output).

Value	Count	Share
dia_phuong	104,345	65.7%
trung_uong	54,477	34.3%

Loại văn bản · doc_type + legal_type

Mỗi văn bản được gắn slug tiếng Việt không dấu (doc_type, ví dụ quyet_dinh, nghi_dinh, thong_tu_lien_tich) lẫn tên đầy đủ tiếng Việt (legal_type, ví dụ Quyết định, Nghị định, Thông tư liên tịch). Slug được sinh tự động từ tên đầy đủ qua packages.datasites.vbpl.codes.slugify_vi nên người đọc hiểu ngay loại văn bản mà không cần tra cứu bảng mã. Mã ngắn cũ (QĐ, NĐ, TTLT, ...) vẫn xuất hiện trong số hiệu (43/2026/NĐ-CP) và có thể khôi phục từ SLUG_TO_CANONICAL_CODE. — Each document carries a self-describing ASCII snake_case slug (doc_type, e.g. quyet_dinh, nghi_dinh, thong_tu_lien_tich) and the canonical Vietnamese full name (legal_type, e.g. Quyết định, Nghị định, Thông tư liên tịch). The slug is automatically derived from the full Vietnamese name via slugify_vi so a reader can interpret the doc type without consulting a separate codebook. The compact short code (QĐ, NĐ, TTLT, ...) still appears inside so_hieu itself (43/2026/NĐ-CP) and can be recovered from any slug via the SLUG_TO_CANONICAL_CODE table in codes.py. The set of slugs follows Luật Ban hành Văn bản Quy phạm Pháp luật 2015 — hien_phap / bo_luat / luat / phap_lenh / lenh / nghi_quyet / nghi_dinh / quyet_dinh / thong_tu / chi_thi / sac_lenh / van_ban_hop_nhat / thong_tu_lien_tich / ...

By slug · doc_type

Value	Count	Share
quyet_dinh	84,970	53.5%
nghi_quyet	26,091	16.4%
thong_tu	16,212	10.2%
ban_dich_van_ban	10,576	6.7%
chi_thi	7,908	5.0%
nghi_dinh	4,690	3.0%
thong_tu_lien_tich	3,393	2.1%
van_ban_hop_nhat	1,792	1.1%
sac_lenh	980	0.6%
cong_van	708	0.4%
luat	580	0.4%
lenh	376	0.2%

By full name · legal_type

Value	Count	Share
Quyết định	84,962	53.5%
Nghị quyết	26,086	16.4%
Thông tư	16,212	10.2%
Bản dịch văn bản	10,576	6.7%
Chỉ thị	7,908	5.0%
Nghị định	4,690	3.0%
Thông tư liên tịch	3,393	2.1%
Văn bản hợp nhất	1,788	1.1%
Sắc lệnh	980	0.6%
Công văn	708	0.4%
Luật	580	0.4%
Lệnh	376	0.2%

Lĩnh vực pháp luật · legal_area

legal_area is the canonical Vietnamese label pulled from the documentFields[] block on each detail-API response (~250 distinct labels in the corpus). Roughly two thirds of the documents are tagged Chưa phân loại ("uncategorised") on the source portal; we preserve that literal so consumers can see the gap explicitly instead of nulling it. Top areas below; embedding scatters below show the structural overlap between adjacent areas.

Value	Count	Share
Chưa phân loại	112,784	71.0%
Đất đai	2,861	1.8%
Quản lý thuế, phí, lệ phí và thu khác của ngân sách nhà nước	2,301	1.4%
Quản lý thuế, phí và lệ phí	1,698	1.1%
Lĩnh vực giá	1,673	1.1%
Tổ chức- Biên chế	1,424	0.9%
Lao động, tiền lương, tiền công	1,373	0.9%
Quản lý ngân sách	1,211	0.8%
Quản lý ngân sách nhà nước	1,052	0.7%
Ngân sách nhà nước	951	0.6%
Đường bộ	942	0.6%
Chính quyền địa phương	869	0.5%
Công chức, viên chức	715	0.5%
Tài chính khác	657	0.4%
Lâm nghiệp	637	0.4%
Môi trường	557	0.4%
Nông nghiệp	513	0.3%
Thủy lợi	473	0.3%
Chính sách thuế	465	0.3%
Tổ chức cán bộ	407	0.3%

Cơ quan ban hành · Issuing agency

Top issuing agencies (top 15). Quốc hội + Chính phủ + Bộ Tài chính

• Bộ Tư pháp + ... thường chiếm phần lớn trung_uong; các tỉnh chia khá đều phần dia_phuong.

Value	Count	Share
Bộ Tài chính	11,793	7.4%
Thủ tướng Chính phủ	7,849	4.9%
Chính phủ	7,168	4.5%
UBND Thành phố Hồ Chí Minh	5,312	3.3%
Bộ Nông nghiệp và Phát triển nông thôn	2,526	1.6%
UBND Tỉnh Lào Cai	2,497	1.6%
UBND Tỉnh Nghệ An	2,477	1.6%
UBND tỉnh Bình Phước	2,410	1.5%
Ngân hàng Nhà nước Việt Nam	2,198	1.4%
UBND Thành phố Hà Nội	2,123	1.3%
UBND thành phố Đà Nẵng	2,018	1.3%
UBND tỉnh Bà Rịa - Vũng Tàu	1,956	1.2%
Bộ Giao thông vận tải	1,925	1.2%
UBND Thành phố Hải Phòng	1,885	1.2%
UBND Tỉnh Gia Lai	1,765	1.1%

Năm ban hành · Year of issue

Phân bố năm theo ngay_ban_hanh (ISO YYYY-MM-DD); rỗng nếu cổng không cung cấp được trường này. — Year distribution from ngay_ban_hanh; null when the source portal didn't expose the issue date.

Year	Count
2026	761
2025	9,427
2024	7,307
2023	5,367
2022	5,378
2021	5,306
2020	4,682
2019	4,983
2018	4,979
2017	5,591
2016	6,307
2015	5,346
2014	5,880
2013	5,204
2012	4,893
2011	4,834
2010	4,431
2009	4,930
2008	5,453
2007	6,713
2006	6,684
2005	5,486
2004	5,120
2003	4,281
2002	3,627
2001	3,395
2000	2,785
1999	3,079
1998	2,746
1997	2,346

Nguồn nội dung · Body provenance

Một văn bản trên vbpl.vn có thể có HTML thân bài (do API SPA trả về sau khi qua reCAPTCHA) và/hoặc một tệp đính kèm (.pdf / .doc / .docx). Pipeline ưu tiên parse tệp khi có, quay về HTML khi không. — A vbpl document may have an inline body HTML (returned by the SPA's API after reCAPTCHA) and/or a downloadable attachment (.pdf / .doc / .docx). The pipeline prefers parsing the file when present and falls back to the HTML otherwise.

Value	Count	Share
body_html	147,317	92.8%
shell_html	11,505	7.2%

Lược đồ bảng documents · documents schema

The parquet has three families of columns:

Identification + meta

Field	Type	Description
doc_name / item_id	string	Stable document id (= the --<id> suffix of the source URL). Mostly numeric (186739); legacy docs use vbpqta_<n> (Văn bản pháp quy toàn văn) or vbpqdinhchinh_<n> (corrigendum).
scope	string	trung_uong (central) | dia_phuong (provincial).
source	string	Source host, always vbpl.vn.
source_url / api_url	string	Deep link back to the portal page / the underlying gateway API.
title	string (nullable)	Document subject after the full title scrub: (1) baseline cleanup (NFC, HTML-entity decode, "số số" doubling fix, trailing sentence punctuation), (2) decorative quote stripping at the title boundary and around inline phrases — leading / trailing / paired runs of ", ', ", ', ', ' are removed but word-internal single quotes are preserved so legitimate Vietnamese / loan-word names survive intact (Đắk R'lấp, M'nông, D'Ran, Côte d'Ivoire, Ea T'ling, Đạ M'ri, …), (3) leading "<Legal-type> số <Number> " boilerplate head peeled (e.g. "Quyết định số 143/QĐ-KHTC Ban hành Quy chế" → "Ban hành Quy chế"), and (4) every "<DocType> [số] <DocNum> [ngày <date>]" cross-reference of OTHER documents stripped from anywhere in the body ("Bãi bỏ Nghị quyết số 84/2018/NQ-HĐND ngày 07/12/2018 của HĐND tỉnh..." → "Bãi bỏ của HĐND tỉnh..."). The Vietnamese noun Lỗi / lỗi / loi ("fault / error") is preserved wherever it appears — it's a legitimate subject word (e.g. "Lỗi Ban hành Quy chế hoạt động của hội đồng tư vấn mua sắm tài sản"), not a CMS marker. null for the pathological tail where the entire source title was just a bare doc-num token (e.g. "1938/QĐ-UBND"); other bibliographic columns still carry the citation handle.
doc_type	string	Self-describing ASCII snake_case slug of the Vietnamese doc-type name (quyet_dinh, nghi_dinh, thong_tu_lien_tich, chi_thi, van_ban_hop_nhat, ...). Auto-derived from legal_type via slugify_vi; the compact short code (QĐ, NĐ, TTLT, ...) still appears in so_hieu itself (43/2026/NĐ-CP) and is recoverable via SLUG_TO_CANONICAL_CODE.
legal_type	string	Canonical Vietnamese full name for the document type (Luật, Nghị định, Thông tư, Quyết định, Nghị quyết, Chỉ thị, …). Round-trips with doc_type via slugify_vi.
legal_area	string	Legal area / subject domain (Đất đai, Đường bộ, Lĩnh vực giá, …). Defaults to Chưa phân loại when the source portal hasn't tagged the doc.
so_hieu	list<string> (nullable)	Document number(s) as a list of canonical short forms (e.g. ["43/2026/NĐ-CP"]). A small minority of vbpl rows pack several identifiers into one source cell separated by Vietnamese và ("and") or ,; those ship as multi-element lists (e.g. ["142/2009/QĐ-TTg", "49/2012/QĐ-TTg"]). Source-side cruft is stripped: leading legal-type words ("Nghị quyết số: 528/2018/UBTVQH14" → ["528/2018/UBTVQH14"]), trailing annotations ("109/2005/QĐ-BCA (A11)" → ["109/2005/QĐ-BCA"], "49/2007/TTLT-BTC-BGD ngày 18/5/2007" → ["49/2007/TTLT-BTC-BGD"]), and the legitimate "Không số" ("no number") sentinel is preserved. null for rows with no usable number.
ngay_ban_hanh	string	Issue date, ISO YYYY-MM-DD.
year	int32	Year extracted from ngay_ban_hanh.
co_quan_ban_hanh	string	Issuing agency (e.g. "Chính phủ", "Bộ Tài chính", "Hội đồng nhân dân tỉnh A").
trich_yeu	string	Abstract / summary.

Body + stats

Field	Type	Description
markdown	string (nullable)	NFC-normalised, modern-orthography Vietnamese markdown (page-segmented with ## Page N headings when parsed from a PDF). Gateway / Word / Next.js scaffolding is stripped: the Document Content\\n\\nbody { font-family: ... }\\np { margin: ... } API preamble (~50 % of bodies), Word <!-- /* Font Definitions */ @font-face { ... } p.MsoNormal { ... } --> stylesheet dumps, standalone CSS rule blocks gated by property / selector / structural CSS tells, Ant Design :where(.css-...){ ... }@keyframes ...{ ... } chains, orphan selector fragments, and malformed inline <span lang="..." style="..."> tags. ~90 % of rows lose 1-200 KB of boilerplate; total corpus markdown shrunk by ~1.77 GB / 42 %. Null when body_source == "shell_html" after the May-2026 live-API recovery (the source genuinely has no body for those legacy IDs); bibliographic metadata (title, agency, so_hieu, ...) is still populated on NULL-markdown rows so consumers retain the citation handle.
num_pages	int32	Page count from the parser (PDF/DOCX only).
num_sections / num_paragraphs / num_sentences	int32	Counts from the structure layer.
char_len	int32	Character length of markdown after the junk-strip pass (recomputed at export time so consumers can dedupe on the actual shipped body).
text_hash	string	SHA-256 first-32 hex of markdown after the junk-strip pass (re-run-stable id; differs from the upstream extract.jsonl hash for any row that had scaffolding removed).
parser_model	string	Backend that produced the markdown (local/pypdf, local/markdownify, nvidia/nemoretriever-parse, …).
parser_runtime	string	The configured parser.runtime (local / nim / hybrid).
body_source	string	Which source produced the body: file (downloaded PDF/.doc/.docx), body_html (API-captured), shell_html (Next.js shell fallback -- the gateway never delivered a real body; published with markdown=null after the May-2026 live-API recovery sweep confirmed the source publishes only metadata for those legacy IDs).
parsed_at	string	ISO 8601 parser timestamp.

Hierarchy + entities

Field	Type	Description
structure_json	string	Full :class:DocumentStructure (meta + stats + sections + paragraphs + sentences) as JSON. Includes char-span back-pointers so any unit can be located in markdown precisely.
extracted_json	string	Generic NER + statute-link extraction (entities, relations, statute_refs) as JSON.
file_paths_json	string	Downloaded attachments as JSON list of {file_url, file_name, file_type, local_path}.

Quick load:

import json
from datasets import load_dataset

ds = load_dataset("tmquan/vbpl-vn", split="train")
row = ds[0]
print(row["doc_type"], row["so_hieu"], row["ngay_ban_hanh"])
# e.g. "quyet_dinh 143/QĐ-KHTC 2018-01-29"
print(row["title"])
# e.g. "Ban hành Quy chế quản lý ngân sách ngành Tư pháp"
# (the redundant "Quyết định số 143/QĐ-KHTC " head has been
#  stripped; recombine via f"{row['legal_type']} số {row['so_hieu']} {row['title']}"
#  if your downstream pipeline still wants the full original.)
structure = json.loads(row["structure_json"])
for sec in structure.get("sections", []):
    print(sec["kind"], sec["label"])

Embedding + reduction artefacts

The Hub ships the documents config only (documents-*.parquet, one row per document, with text + structure). The 2048-D nvidia/llama-nemotron-embed-1b-v2 embeddings, the global UMAP / PCA coordinates, and the HDBSCAN cluster ids are computed during the build (over 147,317 embeddable rows, i.e. all documents with non-null markdown) and used to render the scatter PNGs below, but they are not bundled as separate parquet configs on the Hub -- 1.3 GB of dense vectors per re-build is too costly to ship for a corpus this size when the embeddings are deterministic from markdown + a model id. Re-derive the same matrices locally via:

git clone https://github.com/<owner>/ViLA   # the build repo
python -m packages.datasites.vbpl --pipeline embed
python -m packages.datasites.vbpl.\_reduce\_inproc   # global UMAP

which yields parquet/embeddings/<doc_name>.parquet and parquet/reduced/<doc_name>.parquet per-doc shards keyed back to documents.doc_name.

Trực quan hoá embedding · Embedding visualization

Mỗi điểm là một văn bản pháp luật; toạ độ là vector embedding 2048-D từ nvidia/llama-nemotron-embed-1b-v2 chiếu xuống 2D bằng UMAP fit globally trên toàn bộ kho văn bản (không chia batch) để toạ độ so sánh được giữa các tài liệu. Năm mặt phân hoạch: scope, doc_type (mã ngắn), legal_type (tên đầy đủ), legal_area (lĩnh vực pháp luật), year. Các nhãn tail-end (sau top-18) được dồn vào nhóm Khác / Other màu xám để chú giải đọc được. — Each dot is one legal document; coordinates are the 2D UMAP projection of a 2048-D embedding from nvidia/llama-nemotron-embed-1b-v2, fit globally across the whole corpus so positions are directly comparable across documents. Five facets: scope, doc_type (canonical short code), legal_type (canonical full name), legal_area (subject domain), year. Tail-end labels beyond the top 18 are collapsed into a grey Khác / Other bucket to keep the legend legible.

UMAP colored by scope

UMAP colored by doc_type

UMAP colored by legal_type

UMAP colored by legal_area

UMAP colored by year

Cách thu thập + chuẩn hoá · How the corpus was built

The crawler is a six-stage pipeline (harvest → detail → parse → extract → embed → reduce) that walks vbpl.vn's public sitemap chain (32 shards, ~160 K URLs total), drives a headless Chromium tab against each detail page so Google's invisible reCAPTCHA v2 mints the per-session Bearer token (the SPA's /api/qtdc/public/doc/... gateway is otherwise inaccessible), intercepts the resulting authenticated XHRs, downloads any .pdf / .doc / .docx attachment, and routes the body through:

1. Parse -- pypdf for PDFs, docx2txt for .docx, an antiword / catdoc / libreoffice subprocess fallback for legacy .doc, markdownify for HTML bodies returned inline.
2. Vietnamese normalisation -- ftfy NFC + tone-mark canonicalisation (Toà → Tòa, hoà → hòa, thuỷ → thủy) + PDF whitespace cleanup. Every regex / segmenter downstream then sees a single canonical orthography.
3. Generic + structure extractor -- regex / dictionary NER + Vietnamese statute linker (Điều N khoản M Luật ..., dates dd/MM/yyyy, courts, agencies, document numbers) + a hierarchical DocumentStructure (sections / paragraphs / sentences with back-pointers).
4. Embed -- nvidia/llama-nemotron-embed-1b-v2 (2048-D) over the normalised markdown; sliding-window mean pool when a doc exceeds the model's native context window.
5. Reduce -- PCA + UMAP on the embedding matrix + HDBSCAN cluster ids. The May-2026 rerun switched from per-batch reduction (each Curator DocumentBatch independently) to a global in-process fit over the full 147,317 × 2048-D matrix so the projection is comparable across documents (packages/datasites/vbpl/_reduce_inproc.py). t-SNE was dropped from the rerun because a single global fit under random_state=0 (single-threaded by construction) took prohibitively long on this corpus; PCA + UMAP cover the same visual story without it. cuML on a GPU worker; sklearn / umap-learn / hdbscan otherwise.

All five layers are deterministic and re-runnable; re-running any stage with the same --limit is a no-op (each stage skips already-produced outputs).

Body-recovery rerun (May 2026)

A targeted retry against the public gateway https://vbpl-bientap-gateway.moj.gov.vn/api/qtdc/public/doc/<id> recovered 3,849 / 15,351 previously bodyless documents (the gateway now publishes real documentContent.content HTML for that slice even though our cached SPA fetch came back empty in 2026-04). The remaining ~11.5K are genuinely bodyless on the official vbpl source (legacy / cancelled documents the publisher no longer carries a full text for) and ship in this dataset with markdown=null. Bibliographic metadata (title, agency, document number, issue date, ...) is still populated on those rows so consumers retain the citation handle even when no body is available. Per-doc embedding parquets for the NULL-markdown rows are dropped from the embedding corpus entirely so the reducer fits on the embeddable rows only (147,317-row corpus).

Captured: 2026-05-23T14:29:39.492383+00:00.

Nguồn · Source

• Portal: https://vbpl.vn/
• Backend gateway: vbpl-bientap-gateway.moj.gov.vn
• Publisher: Ministry of Justice of Vietnam (Bộ Tư pháp)
• Sitemap: https://vbpl.vn/sitemap.xml

Giấy phép · License

Văn bản gốc được Bộ Tư pháp công bố trên cổng thông tin công cộng (Allow: / trong robots.txt). Bản phân phối lại này dùng giấy phép CC-BY-4.0; vui lòng kiểm tra điều khoản sử dụng của trang nguồn trước khi tái phân phối thương mại. — The source documents are published by the Ministry of Justice on a public portal (its robots.txt allows / and disallows only /api/). This redistribution is shared under CC-BY-4.0; please check the source-website terms of use before commercial redistribution.

Trích dẫn · Citation

If you use this dataset, please cite both the redistribution on Hugging Face and the original source (Cơ sở dữ liệu Quốc gia về pháp luật, Bộ Tư pháp Việt Nam):

@misc{vbpl_2026,
  title        = {Vietnamese National Legal Database (vbpl.vn)},
  author       = {TMQuan},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/datasets/tmquan/vbpl-vn}},
  note         = {Document-level mirror with a hierarchical structure layer (DocumentMeta + Section + Paragraph + Sentence) over Vietnam's National Legal Database, central + provincial scope.}
}

@misc{vbpl_moj_2026,
  title        = {Vietnamese National Legal Database},
  author       = {{Cơ sở dữ liệu Quốc gia về pháp luật}},
  year         = {2026},
  howpublished = {\url{https://vbpl.vn/}},
  note         = {Official portal for Vietnam's National Legal Database (laws, ordinances, decrees, circulars, decisions, ...) at central and provincial levels, published by the Ministry of Justice (Bộ Tư pháp).}
}