ChemRxiv 分析表征数据仓库
数据集简介
数据来源与目的
该仓库的核心目标是收集 ChemRxiv 预印本中的分析表征数据,用于测试化学信息学方法,例如由核数据推断分子结构(NMR-to-structure inference)。数据面向新型分子,旨在为化学信息学与机器学习研究提供真实、可核对的表征数据源。
提取方式与数据格式
数据采用 best-effort 提取策略,从 ChemRxiv 预印本 PDF 中提取表征数据,不做后处理,直接整理为简单的结构化 HTML 格式。这种设计便于使用者利用大语言模型(LLM)将数据转换为自有格式,灵活适配不同的研究流程。仓库中提供 data/chemrxiv-acquisition.html 和 data/chemrxiv-processing.html 等文件,记录数据采集与处理过程。
数据组织与目录结构
仓库的 data/ 目录按日期分子目录(例如 2026-08-14 至 2026-08-30),每个日期目录下存放对应日期的表征数据。此外,仓库还包含 ext/、prompts/、scripts/ 等目录,分别用于扩展、提示词和脚本;根目录下提供 README.md、index.html、scope.html、style.css 等文件,说明数据范围、表示指南和 PDF 处理指南。
许可与访问方式
数据公开免费,许可遵循原始出版物,通常为 CC BY 4.0、CC BY-NC 4.0 或 CC BY-NC-ND 4.0。数据通过 GitHub 仓库(https://github.com/numpde/chemrxiv-data)与发布页面(https://numpde.github.io/chemrxiv-data/)公开访问。用户可通过发布页面查看已发布的数据页面,阅读集合范围与表示指南(scope.html),以及 PDF 处理指南,然后进入数据目录浏览具体数据。