美国最高法院提交与规则文件数据集
社会科学
0 下载
3 浏览
2026-10-03
数据集简介
三个集合的文件构成
数据集按美国最高法院官网 Filing & Rules 页脚栏目下的三个集合组织,每个集合对应一个 config,每行记录一个文件。
| 集合 | 文件数 | 体积 | PDF 页数 |
|---|---|---|---|
| rules-and-guidance | 69 | 0.60 GB | 4,701 |
| electronic-filing-documents | 6 | 12.8 MB | 167 |
| supreme-court-bar-documents | 3 | 762 KB | — |
rules-and-guidance 的列表页抓取时间为 2026-10-28T18:39:47Z,该次列表共 70 条记录,其中链接到 69 个文件。
加载与查询方式
可通过 HuggingFace datasets 库按集合加载:
from datasets import load_dataset
ds = load_dataset("incrediblecrab/us-scotus-filing-and-rules", "rules-and-guidance", split="train")
也可使用 DuckDB 直接读取 parquet 路径进行 SQL 查询,适合按案卷号、日期或文本内容筛选。
文件组织与字段
每个集合目录下包含 data/{partition}.parquet、manifest.json 与 README.md。Parquet 每行对应一个文件,主要字段包括:
id:文件在 www.supremecourt.gov 上的路径(百分号解码、小写、去掉开头斜杠)partition:该行所在的 Parquet 文件url:文件抓取地址term:October Term(int32)date:从列表页读取的 ISO 日期docket:案卷号title:标题file:服务器返回的原始文件file_sha256:文件校验值text:PDF 自带文本层经pdftotext -raw -enc UTF-8输出的文本ocr_text:被判定为 OCR 层的文本text_source:scanned / born_digital / html / no_textentries:列表页渲染文本listed:当前是否仍在列表中
文本提取的原始性
text 字段为 PDF 自身文本层经 poppler 的 pdftotext -raw -enc UTF-8 打印出的结果,原样存储、不做改动。整个数据集不含任何人工编辑,文本未经校正、规范化或生成。text_source 字段区分扫描件、原生数字文档、HTML 与无文本四种来源,ocr_text 则单独存放被判定为 OCR 层的文本。
相关数据集
同一维护者还发布了美国最高法院其他主题的数据集,包括 opinions、oral arguments、case documents、news media、about 与 cases,可与本数据集配合使用。
许可与引用
数据文件为美国联邦政府作品,依 17 U.S.C. § 105 在美国不受版权保护,许可标记为 us-government-works。流水线代码采用 MIT 许可。数据集公开免费,可通过 HuggingFace 加载或按 hf://datasets/... parquet 路径查询。
基本信息
记录数量78 行
文件大小共 78 行(rules-and-guidance 69 个文件、0.60 GB、4,701 页 P
文件格式Parquet, PDF, HTML, JSON
数据来源incrediblecrab
文件格式PDF、HTML、JSON
许可us-government-works(代码 MIT)
文本提取工具pdftotext -raw -enc UTF-8
数据落地页https://huggingface.co/datasets/incrediblecrab/scotus-filing-and-rules
发布日期2026-10-03
美国最高法院法律文件电子提交律师协会文本提取法律检索
上架信息
数据集市运营
平台统一选品上架,经质量审核后公开
0 次下载