README.md

metadata

dataset_info:
  features:
    - name: book_link
      dtype: string
    - name: title
      dtype: string
    - name: book_cover_image_link
      dtype: string
    - name: category
      dtype: string
    - name: author_name
      dtype: string
    - name: author_description
      dtype: string
    - name: raw_text
      dtype: string
  splits:
    - name: train
      num_bytes: 465740399
      num_examples: 437
  download_size: 152752054
  dataset_size: 465740399
configs:
  - config_name: default
    data_files:
      - split: train
        path: data/train-*
license: mit
task_categories:
  - text-generation
  - fill-mask
task_ids:
  - language-modeling
  - masked-language-modeling
language:
  - my
pretty_name: MM-Lib Myanmar Book Corpus Dataset

Please visit to the GitHub repository for other Myanmar Langauge datasets.

MM-Lib Book Corpus Dataset (Last Crawl Date: 02/04/2025)

A dataset of books extracted from MM-Lib, containing 437 books with full-text content and metadata.

Dataset Description

This dataset contains information extracted from the MM-Lib website, including book metadata, author information, and the raw text content extracted from EPUB files. The raw text content was extracted from EPUB files using Python Tika, an Apache Tika binding for Python.

Dataset Structure

The dataset contains the following columns:

Column Name	Description
book_link	Link to the original book page on MM-Lib
title	Book title
book_cover_image_link	Link to the book cover image
category	Book category/genre
author_name	Name of the book's author
author_description	Description of the author
raw_text	Extracted raw text content from the book's EPUB file

Dataset Statistics

• Number of books: 437
• Languages: Myanmar (Unicode)

Usage Examples

Loading the Dataset

from datasets import load_dataset

# Load the dataset from Hugging Face
ds = load_dataset("chuuhtetnaing/mm-lib-book-dataset")

# Access the first example
first_book = ds['train'][0]
print(f"Title: {first_book['title']}")
print(f"Author: {first_book['author_name']}")

Limitations

• This dataset contains copyrighted material and should be used for research purposes only.
• The quality of the raw text may vary depending on the original EPUB format and extraction process.

Message from MM-Lib

About MM-Lib (Whisper of Words)

ကျွန်တော်တို့အဖွဲ့သည် မြန်မာနိုင်ငံအတွင်းက e-Books Reader အသုံးပြုသူများနှင့် Digital Devices ‌တွေမှာ စာဖတ်သူများ အတွက် မြန်မာစာအုပ်များကို ဖတ်ရှုနိုင်စေရန် ကူညီပေးဖို့ ရည်ရွယ် ဖွဲ့စည်းထားသော အဖွဲ့ဖြစ်ပါသည်။ တိုးတက်လာသော နည်းပညာများအရ e-books Reader အသုံးပြုသူများ လည်း များပြားလာပြီ ဖြစ်သော်လည်း နိုင်ငံတွင်းမှတော့ e-books Reader အသုံးပြုသူများ အတွက် မြန်မာစာအုပ် ဖတ်ရှုနိုင်ရန် အလွန် ခက်ခဲလျက်ရှိသည်။ ထို့ပြင် လက်ရှိမှာလည်း မြန်မာစာအုပ်များကို Digital နည်းဖြင့် ဖြန့်ဝေမှု လုံးဝ မရှိသလောက် ဖြစ်သည်။ ထိုအခက်ခဲများကို ကျနော်တို့ တတ်နိုင်သည့်ဘက်မှ ကူညီပေးနိုင်ရန် ရည်ရွယ်ပြီး ပြုလုပ်ထားခြင်း ဖြစ်ပါသည်။

မူပိုင်ခွင့်ချိုးဖေါက်ပြီး ကိုယ်ကျိုးအတွက် လုံးဝ (လုံးဝ) အသုံးမပြုပါ။

အခကြေးငွေဖြင့် ရောင်းချခြင်း မပြုရ

အကယ်၍ ဤစာအုပ်အတွက် အဖိုးအခ တစ်စုံတစ်ရာ ပေးခဲ့ပြီး ရခဲ့သည် ရှိသော် ဂျင်းထည့်ခံရပြီ မှတ်ပါ။

"စာရေးဆရာများနှင့် စာပေထုတ်လုပ်ရေးများသို့ ပန်ကြားချက်"

စာပေထုတ်ဝေသူတို့နှင့် ဆရာ၊ ဆရာမများ အနေဖြင့် မြန်မာနိုင်ငံအတွင်းက e-Books Market အတွက်ကိုလည်း ဖြည့်ဆည်း ပေးနိုင်ရန် အကြံပြုလိုပါသည်။ eBooks Digital Marketဟာ မြန်မာနိုင်ငံမှာ ကြီးမားစွာ ရှိနေပါပြီ။ Digital Product ဖြစ်သည့်အတွက် ဆရာ၊ ဆရာမများ အတွက်လည်း ပိုမိုအကျိုးများပါသည်။ ကျွန်ုပ်တို့ ယခုကဲ့သို မူပိုင်ခွင့် ချိုးဖေါက်နေမှုများကိုလည်း လိုအပ်ချက်အရဟု နားလည်ခွင့်လွတ်ပေးပြီး စာချစ်သူ၊ စာဖတ်သူများ ဆီသို့ တစ်နည်းနည်းနှင့် ပို့ပေးနေသည်ဟု နားလည် ပေးကြပါရန် ပန်ကြားတောင်းဆိုအပ်ပါသည်။

Message from Dataset Creator

This dataset has been created for research purposes to advance natural language processing and machine learning capabilities for the Myanmar language. We respectfully request that users of this dataset:

1. Use this collection for academic, research, and educational purposes only
2. Acknowledge the original authors and publishers whose works appear in this corpus
3. Respect copyright considerations and intellectual property rights
4. Consider supporting the authors and publishers by purchasing their works when available
5. Contribute to the development of digital resources for Myanmar language preservation and advancement

The creation of this dataset is intended to bridge the gap in language resources for Myanmar NLP research while respecting the importance of supporting creators. We kindly ask all researchers to use this data responsibly.

Acknowledgments

This dataset is derived from the MM-Lib website. For updates and more resources, follow their Telegram channel: https://t.me/TheBookR