简体 | 繁體 | English | 日本語 | 한국어

홈 › 기계 판독 › 데이터셋

데이터셋

이 사이트 페이지의 메타데이터 목록. 1,099페이지(간체 모본 346, 언어 분기 753, 321묶음), 본문 2,840,251자, 그림 2,847장. 데이터 스냅샷은 2026-11-05이며 공개된 페이지와 동기화되어 있다. CSV 한 장으로 묶어 검색, 집계, 기계 판독에 쓴다.

차오저우 타이핑루의 치러우 거리, 밤에 등이 든다.
차오저우 타이핑루, 치러우 아래 등이 거리 끝까지 이어진다.

一, 무엇이 들어 있나

한 줄이 한 페이지, 열세 열. 열은 메타데이터이고 본문이 아니다. 본문은 페이지에 두고, 여기서는 「어떤 페이지가 있고, 각각 무엇이며, 얼마나 길고, 그림과 출처가 있는지」만 보여 준다.

필드 의미
czid 항목 식별자. 형식은 cz:<끝 슬래시를 포함한 경로>, 뿌리 페이지는 cz:
title 페이지 제목(이 열은 단일 언어 문자열이며 한 줄에 한 건)
slug URL 경로의 마지막 한 단. 바꿀 때는 301이 필요하다
url 페이지의 정규 주소
section 속한 난. 번역 페이지에는 모본의 중국어 난 이름을 쓰고, 페이지 기계 판독 블록에는 그 언어의 난 이름이 들어간다
pageType 페이지 자체가 무엇인가: Article / CollectionPage / WebPage / Dataset / FAQPage / DefinedTermSet
subjectType 페이지가 주로 무엇을 기술하는가: Person / Place / TouristAttraction / Event / DefinedTerm / czns:* / Thing
lang 언어 분기: zh-hans / zh-hant / en / ja / ko
cluster 언어를 넘는 대응. 같은 모본의 각 언어 분기가 같은 값(모본 slug)을 공유한다
chars 본문 자수(태그와 공백 제외)
images 본문의 <img> 수
has_sources 「출처」 절이 있는가: yes / no
modified WordPress가 기록한 저장 시각(ISO 8601). 페이지 머리에는 따로 「최종 수정일」이 있고 실질적 변경 때만 움직인다. 둘은 다를 수 있다

二, 내려받기

  • pages-2026-11-05.csv(1,100행: 머리글 1행 + 데이터 1,099행. UTF-8, 필드는 쉼표 구분)

JSON 판은 따로 두지 않았다. 이 사이트 플랫폼의 화이트리스트에 .json/.txt가 들어 있지 않아 올리면 거부된다. 같은 데이터는 사이트 표준 REST API에서 가져올 수 있다——https://chaoshanwiki.com/wp-json/wp/v2/pages?status=publish&context=edit&per_page=100&page=1, 반환이 빌 때까지 페이지를 넘긴다. API가 돌려주는 것은 WordPress 원본 필드이므로 위 표의 열로 직접 바꾼다.

CSV는 표 계산과 데이터베이스에 넣기 쉽고, REST는 프로그램이 직접 읽기에 알맞지만 필드 대응은 직접 해야 한다. 파일은 암호화도 압축도 하지 않고 제한도 두지 않는다.

三, 두 층의 유형과 언어 간 대응

헷갈리기 쉬운 열이 둘 있어 따로 쓴다. 첫째,pageType 와 subjectType 는 같은 것이 아니다. 앞은 페이지 자체가 무엇인지(Article/CollectionPage/WebPage 등)를 말하고, 뒤는 페이지가 기술하는 대상이 무엇인지(Person/Place/czns:IntangibleHeritage 등)를 말한다. 차오극 페이지는 Article이고 기술하는 대상은 czns:IntangibleHeritage다. 두 층이 동시에 성립하며 한 열로 뭉개서는 안 된다. 이 두 열의 값은 따로 만들지 않고 각 페이지의 JSON-LD 기계 판독 블록에서 그대로 베낀다. 페이지가 바뀌면 다시 낼 때 함께 바뀐다.

둘째,cluster 는 언어를 넘는 대응을 적는다. 같은 내용의 중·번·영·일·한 페이지가 같은 cluster 값(모본 slug)을 공유하고, 기계는 그것으로 여러 언어판을 서로 무관한 항목이 아니라 같은 대상의 다른 판으로 본다. 현재 1,099페이지가 321묶음으로 묶인다.

유형과 필드의 완전한 정의는 이름공간.

四, 범위

수록하는 것은 공개된 페이지이며 간체 모본과 zh-hant/en/ja/ko 네 언어 분기를 포함한다. 현재 집계:

항목 수
페이지 1,099
그중 간체 모본 346
그중 언어 분기 753
본문 자수(태그와 공백 제외) 2,840,251
본문 그림 2,847
「출처」 절을 둔 페이지 546

1,099는 2026-11-05 스냅샷 시점에 공개되어 있던 페이지의 실수이며 홈을 포함한다. 이후에 공개한 페이지는 다음번 다시 낼 때까지 표에 들어가지 않아 그 사이에 차이가 난다.

五, 넣지 않는 것

네 가지, 분명히 적는다. 하나, 본문 전문은 넣지 않는다. 페이지에 그림 설명이 있고 빵부스러기 항해가 있고 개정일이 있다는 읽을거리의 형태와 충돌하며 사이트를 데이터셋으로 해체하는 셈이 된다. 둘, 이미지 파일 자체는 넣지 않고 수만 적는다. 이미지의 허락 상태는 그림 설명에 한 장씩 적는다. 셋, 확인하지 않은 설은 넣지 않는다. 그래서 목록에 「주장」 필드가 없고 주장은 따로 사실 목록을 본다. 넷, 공개된 페이지만 넣고 초안과 비공개 페이지는 넣지 않는다. 이 판의 스냅샷은 2026-11-05 그날 공개되어 있던 전체 페이지이고, 이후 공개한 페이지는 다음번 다시 낼 때 보탠다.

六, 허락과 인용

이 데이터셋은 CC BY 4.0으로 공개하며 복제, 배포, 변경이 가능하다. 「차오산위키(潮俗網)」를 표시하고 데이터 페이지로 링크를 걸어야 한다. 인용 형식은 다음과 같다.

차오산위키: 『차오산위키 페이지와 항목 목록』, 판 2026-11-05, https://chaoshanwiki.com/dataset/

본문 글자의 허락은 CC BY-SA 4.0으로 데이터셋과 다르다. 데이터셋을 CC BY 4.0으로 두는 것은 사실 목록이라 표현을 담지 않기 때문이다. 이미지는 저작권을 보유하며 상업 이용은 따로 계약한다. 다음을 보라.저작권과 라이선스.

七, 갱신과 확인 시점

사이트 공개에 맞추어 갱신하고 정해진 주기는 약속하지 않는다. 각 파일은 페이지 머리에 판 날짜를 밝히고, 필드 구조를 바꾸면 필드 표도 함께 바꾼다. 앞선 판의 목록은 남기지 않는다. 지난 판이 필요하면 용도를 적어 편지를.

세 날짜는 같은 것이 아니다. 나누어 적는다.이 표를 한꺼번에 확인한 시점은 파일 이름의 판 날짜(현재 2026-11-05, 즉 데이터 스냅샷 날).페이지별 저장 시각은 modified 열을 본다.단일 사실의 확인 날짜은 사실 목록 는 verified 필드. 인용할 때는 필요한 것을 취하고, 판 날짜를 어떤 사실의 확인 날짜 대신 쓰지 말 것.

八, 이웃한 파일

이름공간 cz와 czns 두 접두사, 두 층의 유형과 필드를 정의한다.사실 목록단언 하나에 한 줄짜리 인용 가능한 텍스트를 준다.사료 문헌출처 규칙을 설명한다.

최종 수정일: 2026년 11월 20일