Datasets:

PiotrSty
/

tlwiki-articles-tagalog

id stringlengths 11 16	text stringlengths 500 181k	source stringclasses 1 value	added stringdate 2026-10-08 00:00:00 2026-10-08 00:00:00	created stringdate 2005-10-21 00:00:00 2026-09-01 00:00:00	token_count int64 132 59.1k	license stringclasses 1 value	author stringclasses 1 value
tlwiki_tl_1	Napiling artikulo Mga napiling artikulo Pamantayan Magnomina Alam ba ninyo ... Mga nagdaang napili Mga pinakabagong artikulo Magsimula ng bagong artikulo Napiling larawan Marami pang napiling larawan Mga dekalidad na larawan sa Wikimedia Commons Patungkol Ang Wikipedia ay isang proyektong online na ensiklopedya na pa...	tlwiki_tl	2026-10-08	2026-06-29	843	CC-BY-SA-4.0	plwiki contributors
tlwiki_tl_5	Ang Wikipedia ay isang ensiklopedya na may basehang wiki at may malayang nilalaman. Ito ay tinatawag na malaya sa kadahilanang ito ay malayang magagamit at mapapalitan ng kung sino man. Ang Wikipedia ay nakasulat sa maraming wika at pinamamahalaan ng Wikimedia Foundation. Ang Wikipedia ay sinimulan bilang isang proyek...	tlwiki_tl	2026-10-08	2026-08-28	4,247	CC-BY-SA-4.0	plwiki contributors
tlwiki_tl_7	Ang wiki ay isang uri ng websayt na pinapahintulutan ang sino mang dumalaw sa sayt na magdagdag, magtanggal o magbago ng mga nilalaman nang pagkabilis at pagkadali, at, sa karaniwang pagkakataon, hindi na nangangailangan pa ng pagpapatala. Maaaring maging mabisang kagamitan ito alang-alang sa tulungang pagsusulat. Maaa...	tlwiki_tl	2026-10-08	2026-01-19	5,629	CC-BY-SA-4.0	plwiki contributors
tlwiki_tl_582	Ang Pilipinas, opisyal na Republika ng Pilipinas, ay isang malayang estado at kapuluang bansa sa Timog-Silangang Asya na nasa kanlurang bahagi ng Karagatang Pasipiko. Binubuo ito ng 7,641 pulo na nahahati sa tatlong kumpol ng mga pulo: Kalusunan, Kabisayaan (kilala rin bilang Visayas) at Kamindanawan. Napapalibutan ito...	tlwiki_tl	2026-10-08	2026-08-30	19,563	CC-BY-SA-4.0	plwiki contributors
tlwiki_tl_585	Ang Lungsod ng Maynila (, Kastila: Ciudad de Manila, Ingles: City of Manila), kilala bilang Maynila, ay ang punong-lungsod at ang pangalawang pinakamataong lungsod ng Pilipinas. Mataas ang pagkaurbanisado, ito ang lungsod na may pinakamakapal na dami ng tao sa buong mundo noong 2019. Tinuturing ang Maynila na isang pan...	tlwiki_tl	2026-10-08	2026-07-14	15,606	CC-BY-SA-4.0	plwiki contributors
tlwiki_tl_587	Ang isang santaláalaman, ensiklopedya, ensiklopidya, ensayklopidya, o ensayklopidiya (wikang Espanyol: enciclopedia, wikang Ingles: encyclopedia) ay isang koleksiyon ng mga kaalaman ng tao. Ang terminong ito ay nagmula sa salitang Griyego na εγκύκλιος παιδεία, enkyklios paideia ("sa loob ng sirkulo ng pagturo"). Mula ...	tlwiki_tl	2026-10-08	2026-03-31	1,902	CC-BY-SA-4.0	plwiki contributors
tlwiki_tl_588	Ang Kalakhang Maynila (), opisyal na itinalaga bilang Pambansang Punong Rehiyon (), ay ang kabiserang rehiyon at ang pinakamalaking kalakhang pook ng Pilipinas. Ito ay matatagpuan sa silangang ng Look ng Maynila, at pinapagitnaan ng mga rehiyon ng Gitnang Luzon at ng Calabarzon. Binubuo ito ng 16 na lungsod: Maynila—an...	tlwiki_tl	2026-10-08	2026-08-12	4,932	CC-BY-SA-4.0	plwiki contributors
tlwiki_tl_589	thumb\|Makinang nagpapagulong ng sigaro na naimbento ni James Albert Bonsack noong 1880. Ang makina o sigmo ay isang mekanikal o de-kuryenteng bagay ng naglilipat o nagbabago ng enerhiya upang makagawa o makatulong sa mga gawain ng tao. Isa rin itong sistemang pisiklal gamit ang lakas upang ilapat ang puwersa at kontrol...	tlwiki_tl	2026-10-08	2025-03-15	614	CC-BY-SA-4.0	plwiki contributors
tlwiki_tl_602	Ang Enero ay ang unang buwan ng taon sa kalendaryong Gregoryano at Juliyano at ang una sa pitong buwan na may habang 31 araw. Kilala ang unang araw ng buwan bilang ang Araw ng Bagong Taon. Ito ang, sa katamtaman, ang pinakamalamig na buwan ng taon sa karamihan sa Hilagang Emisperyo (kung saan ito ang ikalawang buwan ng...	tlwiki_tl	2026-10-08	2025-01-27	1,299	CC-BY-SA-4.0	plwiki contributors
tlwiki_tl_603	Ang dalubtalaan o astronomiya ay isang agham na kinapapalooban ng pagmamasid at pagpapaliwanag ng mga kaganapang nangyayari sa labas ng Daigdig at ng himpapawid nito. Pinag-aaralan nito ang pinagmulan, pagbabago, at mga katangiang pisikal at kimikal ng mga bagay na mapagmamasdan sa kalangitan (na nasa labas ng atmosper...	tlwiki_tl	2026-10-08	2026-07-17	525	CC-BY-SA-4.0	plwiki contributors
tlwiki_tl_622	thumb\|Ang Kapuluan ng Mergui sa Myanmar.Ang kapuluan (Ingles: archipelago), ay isang lupon ng mga pulo o kaya'y katubigan na naglalaman ng mga malalaki o maliliit na pulo. Ang Pilipinas, Hapon, Indonesia, Taiwan, Bagong Silandiya, Maldives at ang Kapuluang Britaniko ay mga tanyag na halimbawa ng mga kapuluan. Uring p...	tlwiki_tl	2026-10-08	2021-05-14	328	CC-BY-SA-4.0	plwiki contributors
tlwiki_tl_624	thumb\|300px\|Isang lumang uri ng telebisyon. Ang telebisyon (mula sa espanyol Televisión) o tanlap (tanaw + diglap) ay isang sistemang telekomunikasyon para sa pagpapahayag at pagtanggap ng mga gumagalaw na mga larawan at tunog sa kalayuan. Naging patungkol sa lahat ng aspeto ng programa at pagpapadalang pantelebisyon a...	tlwiki_tl	2026-10-08	2025-10-07	981	CC-BY-SA-4.0	plwiki contributors

End of preview. Expand in Data Studio

Filipino Wikipedia articles (tlwiki_tl) - CC BY-SA 4.0

Namespace-0 article pages from Filipino Wikipedia (tl.wikipedia.org), one record per page (latest revision at dump time). Encyclopedic Filipino/Tagalog prose: history, geography, science, culture, media, sport.

Source pages acquired: 49,336 (ns 0, non-redirect, with text)
Retained records: 35,770 (72.5%)
Measured cl100k_base proxy tokens: 33,907,095
Characters: 100,466,743
License: CC BY-SA 4.0 - per-record attribution via page URL + revision date
Time span (revision dates): 2005-10-21 - 2026-09-01
Pinned source snapshot: Wikimedia dump tlwiki-20260901-pages-meta-current.xml.bz2 (https://dumps.wikimedia.org/tlwiki/20260901/), sha1 c2403301ade967dbc6f4366eace827c37cae4b2e

License - evidence at the origin

Wikipedia content is licensed CC BY-SA 4.0; the dumps carry the same terms (Wikimedia Terms of Use: https://foundation.wikimedia.org/wiki/Policy:Terms_of_Use, deed https://creativecommons.org/licenses/by-sa/4.0/).
Per-record attribution in artifacts/attribution.jsonl: page URL, title, namespace, revision timestamp, text_sha256. ShareAlike note: corpus-level treatment proposed as per-record attribution fields + this note.

Samples

Verbatim records from artifacts/sample.jsonl, real line breaks preserved, truncated with [...].

Sample 1

id: tlwiki_tl_168057
source: tlwiki_tl
created: 2025-07-10
token_count: 173

Sa matematika, ang pinakamalaking karaniwang pahati (sa Ingles greatest common divisor o GCF) ang pinakamalaking buong bilang na makakahati sa dalawa o maraming mga bilang na walang matitira (remainder).

Halimbawa, ang GCF ng parehong 54 at 24 ay 6: [...]

Ang mga bilang na nasa parehong listah [...]

Sample 2

id: tlwiki_tl_243838
source: tlwiki_tl
created: 2022-02-21
token_count: 856

Mga Punong Ministro ng Kaharian ng Bhutan
Sa ibaba ay matatagpuan ang talaan ng mga Chief Minister (Gongzim) at Punong Ministro (Lonchen) ng Bhutan. Kung ang isang Punong Ministro ay nagsilbi ng higit sa isang termino, ang mga magkakahiwalay na termino nito ay nasa mga saknong. [...]

Sample 3

id: tlwiki_tl_331633
source: tlwiki_tl
created: 2026-07-19
token_count: 1876

Ang Pokémon Ranger and the Temple of the Sea (Tagalog: Pokémon Ranger at ang Temple of the Sea) ay isang Japanese animated fantasy film noong 2006, ang ikasiyam sa serye ng pelikulang Pokémon, at ang pang-apat at huling ilalagay sa seryeng Advanced Generation. [...]

Filtering

From the pinned dump: MediaWiki XML parse (ns 0, non-redirect) -> mwparserfromhell wikitext stripping with interwiki-block and category-line removal (drop_layout_lines; single-marker xx:Token lines, multi-marker blocks, Kategoriya:/Kategorya:/Category: lines) -> cross-document boilerplate removal (27 lines, 32 capped 5-word shingles above df threshold) -> NFKC/whitespace normalization -> labelled-only PII redaction (e-mail, labelled phone, labelled IP incl. compressed IPv6, labelled national identifiers - PhilSys/PhilID/TIN/SSS/GSIS/passport -, 26-digit account candidates) -> langid three-window language vote, kept only tl -> exact + near dedup (sha256 of normalized text; Jaccard >= 0.90 on capped 5 x 5-word shingle sketches with a deterministic prefix index).

Rejections (sum exactly to 13,566; one final decision per record in artifacts/decisions.jsonl): 12,657 too short (min 500 chars) / 687 non-Filipino / 215 low letter-ratio / 3 near-duplicate / 3 normalized duplicate / 1 too short after redaction.

Privacy review: 0 compressed-IPv6 documents, 0 labelled national-identifier candidates, 0 bank-account candidates remain; residual pattern documents 0 across all patterns. This is not anonymization: biographical articles contain names and life facts as published; a SlayerLab/NERGAL-style review is recommended before any release beyond research use.

Known limitations

One record per page (whole-page records); sections are not split.
Wikitext artifacts may survive stripping as flattened table/image fragments (e.g. #LarawanPangalan<small>... in a small share of records).
langid has no Cebuano class: Cebuano-language pages reach the gate as another language and are rejected as non_filipino_text; genuine short Filipino micro-stubs can also be rejected.
talk_pages field name in artifacts/acquisition.json/stats.json is the historical builder label; it counts ns-0 article pages here.

See artifacts/ for attribution, per-record decisions, QA counts, samples, selection, acquisition and checksums. verify() passes (35,770 texts reconstructed from the extracted source, token counts recomputed); tests 18/18.

Downloads last month: 22