Datasets:
text stringlengths 500 172k | source stringclasses 1
value |
|---|---|
"Azərbaycan Respublikasının Əmək və Əhalinin Sosial Müdafiəsi Nazirliyi ilə Pakistan İslam Respublikasının Xaricdə Yaşayan Pakistanlılarla İş və İnsan Resurslarının İnkişafı Nazirliyi arasında əmək, məşğulluq və sosial müdafiə sahələrində əməkdaşlıq haqqında Anlaşma Memorandumu"nun təsdiq edilməsi barədə. Azərba... | ANL |
"Azərbaycan 2020: gələcəyə baxış" İnkişaf Konsepsiyasında təhsillə bağlı nəzərdə tutulan məsələlər. Müasir təhsil sisteminin formalaşdırılması. 2013-2020-ci illərdə təhsil sahəsinə ayrılan vəsaitlərin ümumi həcminin ÜDM-dəki payı ilbəil artırılaraq, inkişaf etmiş ölkələrin müvafiq göstəricisi səviyyəsinə çatdırılacaqdı... | ANL |
"Azərbaycan Respublikası Hökuməti ilə Serbiya Respublikası Hökuməti arasında energetika və mədənçilik sahələrində əməkdaşlığa dair Saziş"in təsdiq edilməsi haqqında. Azərbaycan Respublikası Prezidentinin Fərmanı. 2022-ci il iyunun 1-də Bakı şəhərində imzalanmış "Azərbaycan Respublikası Hökuməti ilə Serbiya Respubl... | ANL |
"Azərbaycan Respublikası Hökuməti ilə Serbiya Respublikası Hökuməti arasında sosial təminat haqqında" Sazişin təsdiq edilməsi barədə. Azərbaycan Respublikasının Qanunu. Azərbaycan Respublikasının Milli Məclisi Azərbaycan Respublikası Konstitusiyasının 95-ci maddəsinin I hissəsinin 4-cü bəndini rəhbər tutaraq qərara... | ANL |
"Azərbaycan Respublikası hökuməti və Türkdilli Ölkələrin Parlament Assambleyasının Katibliyi (TürkPA Katibliyi) arasında yerləşmə haqqında" Sazişin təsdiq edilməsi barədə. Azərbaycan Respublikasının Qanunu. Azərbaycan Respublikasının Milli Məclisi qərara alır: "Azərbaycan Respublikası hökuməti və Türkdilli Ölkələrin Pa... | ANL |
"Azərbaycanın ərazi bütövlüyü bərpa olunması tarixi ədaləti təmin edəcək". Azərbaycan Respublikasının Prezidenti İlham Əliyev oktyabrın 5-də Türkiyənin "TRT Haber” televiziya kanalına müsahibə verib. AZƏRTAC müsahibəni təqdim edir. Zaman ayırdığınız üçün təşəkkür edirəm. İşğal altındakı torpaqlarınızdan bu günəd... | ANL |
"Elm sahəsində mövcud olan problemlərə dövlətin diqqəti artmaqdadır". Azərbaycan Milli Elmlər Akademiyasının vitse-prezidenti, Geologiya İnstitutunun direktoru akademik Akif Əlizadə elmin bu sahəsində qazanılan uğurlardan və həllini gözləyən problemlərdən söhbət açmışdır: - Akif müəllim, neft və qaz ölkəmizin əsas iqti... | ANL |
"Ermənistan iqtisadiyyatı təcili yardıma ehtiyacı olan xəstəyə bənzəyir". İrəvan ekspertləri reallığı gizlətmirlər. Ermənistanda davam edən etirazlar fonunda iqtisadiyyatda və sosial həyatda yaranan ağır vəziyyət daha da dərinləşir. Erməni ekspertlər etiraf edirlər ki, bu gedişlə ölkə daha böyük fəlakətlərlə üzləşmə... | ANL |
"Euronews" telekanalının nümayəndələri İçərişəhərlə tanış olmuşlar. Bakıda səfərdə olan "Euronews" telekanalının nümayəndələri İçərişəhəri gəzmişlər. Kiçik Qala küçəsi ilə tanışlıqdan başlayan gəzinti zamanı qonaqlara dünya şəhərsalma sənətinin nadir nümunələrindən biri, YUNESKO-nun "Dünya irsi siyahısı"na daxil edilmi... | ANL |
"Füzuli mənim tarixim, Füzuli mənim mənliyimdir". Heydər Əliyev. Böyük şairimiz Məhəmməd Füzuli ilə bağlı Heydər Əliyevin qatlaşdığı çətinliklər və bu istiqamətdə əzmkar fəaliyyəti onun xalqın dəyərlərinə, şəxsiyyətlərinə layiqincə sahib çıxmaq mədəniyyətinin əyani göstəricisidir. Bu barədə çoxsaylı nümunələr gətirmək ... | ANL |
"Gizli istiqlalçılar" sənədli filminin təqdimatı. Azərbaycan Respublikasının Prezidenti yanında Bilik Fondunun "Cümhuriyyət tariximiz qürurumuzdur" layihəsi çərçivəsində mayın 17-də Beynəlxalq Mətbuat Mərkəzində "ARB Aranfilm"in ərsəyə gətirdiyi "Gizli istiqlalçılar" sənədli filminin təqdimatı keçirilib. Fondu... | ANL |
"Qədim Yunanıstanın mifləri və əfsanələri" Azərbaycan dilində. Azərbaycan təhsilinin dünya təhsil sisteminə inteqrasiyası cari problemlərin həllilə yanaşı, bir çox konseptual məsələlərin yenidən işlənməsi və təkcə günün tələbləri səviyyəsində deyil, həm də perspektivə hesablanmış vacib addımların atılması zərurətini me... | ANL |
"Ruhumla bədənim mübarizə aparır". Zəlimxan Yaqub: "İstəsəydim, bəlkə Bakının yarısını ala bilərdim". Xalq şairi Zəlimxan Yaqub APA-ya müsahibə verib. Müsahibəni kiçik ixtisarla təqdim edirik. - Zəlimxan müəllim, söhbətə səhhətinizdən başlayaq. Həkimlər nə deyir? - Ruhumla bədənim mübarizə aparır. Mənim ruhum diri və d... | ANL |
"Sarı gəlin"in erməniləşdirilməsinin qarşısı alınmışdır. Ölkəmizin BMT yanında Daimi Nümayəndəliyindən bildirmişlər ki, ABŞ-ın Nyu-York şəhərində rus dilində yayımlanan və geniş dinləyici kütləsinə malik olan "Radio Pozitiv"in iyulun 28-də efirə getmiş proqramında aparıcı Azərbaycanın "Sarı gəlin" xalq mahnısını "Qorna... | ANL |
"Təhsil haqqında" qanun qəbul olundu. Orta məktəbi medalla bitirən şagirdlər və olimpiadaların qalibləri avtomatik olaraq ali məktəblərə yerləşdiriləcəklər. Nəhayət ki, "Təhsil haqqında" qanun layihəsi Milli Məclisdə qəbul olundu. Sənəd parlamentin dünən keçirilən növbədənkənar iclasında ciddi müzakirələr açdı. Deputat... | ANL |
"Uşaq əməyinin istismarı yolverilməzdir". Aqil Məmmədov: "Qaydalar çərçivəsində işləmək uşaqların istismarına yox, əksinə, onların zəhmətkeş böyüməsinə şərait yaradır". "Uşaqların Xoşbəxt Gələcəyi" İctimai Birliyinin sədr müavini Aqil Məmmədovla müsahibəni diqqətinizə çatdırırıq. - Uşaq əməyinin istismarının səbəbləri ... | ANL |
"YARAT" Müasir İncəsənət Mərkəzində açılmış tanınmış rəssam Fərid Rəsulovun "Qurban olum" sərgisi davam edir. Tibbi maskaların və antiseptikin istifadəsi zəruridir. Sərgiyə yeni hazırlanmış heykəllər, rəsm əsərləri və film daxildir. Daha əvvəl Azərbaycanı 53-cü və 55-ci Venesiya Biennalesində - Beynəlxalq İncəsənət ... | ANL |
"Ömrün müdriklik fəlsəfəsi"ndə yazılanlar. İstedadına, fəaliyyətinə çox dəyər verdiyim Kazım müəllimlə - Kazım Məmmədli ilə səmimi bir ünsiyyətimiz var. Bir dəfə növbəti telefon söhbətimizdə dedi ki, kitabım çıxıb, göndərərəm, oxuyarsan, fikrin maraqlıdır. "Ömrün müdriklik fəlsəfəsi..." adlı növbəti kitabını göndərdi. ... | ANL |
"İŞİMİ VƏ PEŞƏMİ ÇOX SEVDİYİM ÜÇÜN UĞURLAR QAZANACAĞIMA İNANIRAM". Bu münasibətlə qəzetin baş redaktoru Fəridə Ağazadə ilə region mətbuatı, qəzetin fəaliyyəti ilə bağlı söhbət etdik. - Fəridə xanım, oxucularımızın sizi daha yaxından tanımağı üçün elə söhbətimizə özünüz haqqınızda məlumatla başlayaq. - "Astara" qəzet... | ANL |
"Ədəbiyyat biliciləri". müsabiqəsinin keçirilməsi barədə. Azərbaycan Respublikası təhsil nazirinin əmri. Azərbaycan Respublikası Təhsil Nazirliyinin "Ümumtəhsil məktəb şagirdlərinin mütaliə vərdişlərinin təkmilləşdirilməsi və onlarda mütaliə mədəniyyətinin formalaşdırılması ilə bağlı tədbirlər barədə" 16 dekabr 2014-cü... | ANL |
(Gerçəkliklərə söykənən fantastik hekayə). Hərəsi dünyanın bir bucağından gəlmiş bu gənclər indicə tanış olsalar da, min-min illər öncədən tanışmışlar. Onların adları da, üzləri də, əl-qol hərəkətləri də eynən bir-birinə bənzəyirdi: qanbir, dilbir qohummuşlar. Gerçək möcüzə! Azərbaycan vətəndaşı Alov Odər Avropa univer... | ANL |
(əvvəli ötən saylarımızda). Kəndarası yolların qaydaya salınması istiqamətində işlər davam etdirilir. İkinci kənd investisiya layihəsi çərçivəsində rayonun Çayarxı, Çaxırlı və Yekəxana kəndlərində ümumi uzunluğu 15,3 km. olan kəndarası yollar çınqılla təmir olunmuş, 6 yerdə su keçidləri bərpa edilmiş və ya yeni su keçi... | ANL |
(əvvəli ötən saylarımızda). Yeni innovasiyaları tədbiq etmək baxımından səriştəli təhsil verənin formalaşması və peşəkarlığının yüksəlməsi baxımından hesabat dövrü ərzində ümumtəhsil məktəblərinin 18 nəfər pedaqoji işçisi peşəyönümlü ixtisasartırma kurslarına cəlb olunmuşlar. Xalqımızın Ümummilli lideri Heydər Əliyevin... | ANL |
- Dünyada nəsə mənası olan və nəinki dünyada, həmçinin, başqa aləmlərdə də hadisələrin gedişatını dəyişdirmək gücünə malik nəsə var? Dayanıb həsrətlə onun cavabını gözləməyə başladım. Və mən susub dayanmışdım. Və mən susub dayanmışdım. İkimiz də susub dayanmışdıq. İkimiz də susub dayanmışdıq. Gözündə daş olan bala... | ANL |
- Siyavuş bəy, gücləndirilmiş iş rejimində çalışmağınızın səbəbi nədir? - Yadında saxla, heyvandarlıqda və siyasətdə istirahət yoxdur. - Yəqin, bu rejimdə çalışmağınız seçkilərlə bağlıdır? Bizim 20 illiyimizdir, tədbirlər keçirilir. 6 rayonda tədbirimiz keçirilib. Birinci gün də növbəti tədbirimiz olacaq, yekun tədbiri... | ANL |
... Nəhayət, masa arxasına keçib nədən yazacağınızı düşünəndə, əlbəttə, bu yazının həyatınızın bir fraqmenti olub-olmayacağı həmin an ağlınıza gəlmir. Şüuraltı məlumatların oyanması, təxəyyülümüzün metafizik qatları, məntiqimizin İQ səviyyəsi və sairlər. Yazı nə qədər həyatdan gəlməlidir? Nə qədər yaşadıqlarımızın iç... | ANL |
ANL-subset-deduplicated
208,293 Azerbaijan National Library (ANL) text rows filtered and cleaned from LocalDoc/AzTC-full.
Reproducibility
The GitHub repository provides code and notebooks for reproducing the processing results, including exploratory analysis, filtering, deduplication, and dataset verification. Requires PySpark.
Format
One train split, stored as train-00000-of-00001.parquet.
| Field | Type | Description |
|---|---|---|
text |
string | Original retained text |
source |
string | ANL |
Processing
- Retain only
ANLtext rows with nonempty, non-whitespace text of at least 500 characters. - Remove text rows containing characters outside Unicode Latin script, numbers, punctuation, and space/tab/CR/LF/form-feed whitespace. This includes text rows containing Cyrillic.
- Remove exact duplicates using the original text.
- Retain texts classified as Azerbaijani by FastText
lid.176.bin. - Remove detected near duplicates using PySpark MinHashLSH with normalized 5-word shingles, binary hashed features, three hash tables, seed 42, and ≥90% Jaccard similarity over hashed feature sets.
Near-duplicate matching requires at least 10 normalized words. Each detected pair marks the larger SHA-256 text ID for removal. Normalization is used only for matching and classification; saved text remains unchanged.
Counts
| Stage | Rows remaining |
|---|---|
| ANL selection | 240,655 |
| Character and length filtering | 225,594 |
| Exact deduplication and language filtering | 211,275 |
| Near deduplication / final output | 208,293 |
Near-duplicate matching found 3,454 pairs, resulting in 2,982 distinct text rows removed.
Limitations
This ANL-only subset supports language-model training and corpus research. Strict filtering narrows coverage, automated language classification can make mistakes, and approximate matching may leave near duplicates. No additional personal-data removal or toxicity screening was applied.
Attribution and license
The original dataset was created by LocalDoc and is published under Creative Commons Attribution 4.0 International (CC BY 4.0).
This derivative retains that license declaration. Changes consist of the source selection, filtering, and deduplication described above; retained text is unchanged.
Original citation:
@misc{aztc_full,
title = {Azerbaijan Text Corpus — Full Version (AzTC)},
author = {LocalDoc},
howpublished = {\url{https://huggingface.co/datasets/LocalDoc/AzTC}},
note = {Licensed under CC BY 4.0}
}
- Downloads last month
- 12