Calgary corpus

Il Calgary corpus è una raccolta di file di testo e binari utilizzata comunemente negli anni '90 per il confronto degli algoritmi di compressione dei dati. È stato creato nel 1987 da Ian Witten, Tim Bell e John Clearly della Università di Calgary. Nel 1997 è stato sostituito dal Canterbury corpus[1].

Contenuto

Nella sua forma più comunemente usata il corpus consiste nei seguenti 14 file per una dimensione totale di 3.141.622 byte.

Dimensione (byte)Nome del fileDescrizione
111,261BIBtesto ASCII in formato UNIX "refer" – 725 riferimenti bibliografici.
768,771BOOK1testo ASCII non formattato – Thomas Hardy: Far from the Madding Crowd.
610,856BOOK2testo ASCII formato UNIX "troff" – Witten: Principles of Computer Speech.
102,400GEOnumeri a 32 bit in formato IBM floating point – dati sismici.
377,109NEWStesto ASCII – file batch USENET su vari argomenti.
21,504OBJ1programma eseguibile VAX – compilazione di PROGP.
246,814OBJ2programma eseguibile Macintosh – "Knowledge Support System".
53,161PAPER1formato UNIX "troff" – Witten, Neal, Cleary: Arithmetic Coding for Data Compression.
82,199PAPER2formato UNIX "troff" – Witten: Computer (in)security.
513,216PICimmagine bitmap 1728 x 2376 (MSB first): testo in francese e diagrammi lineari.
39,611PROGCcodice sorgente in C – UNIX compress v4.0.
71,646PROGLcodice sorgente in Lisp – software di sistema.
49,379PROGPcodice sorgente in Pascal – programma per valutare la compressione PPM.
93,695TRANSASCII e caratteri di controllo – trascrizione di una sessione di terminale.

Ne esiste anche una variante meno utilizzata con 18 file che include 4 file di testo in formato UNIX "troff" aggiuntivi: PAPER3, PAPER4, PAPER5, PAPER6.

Note

  1. ↑ (EN) Ian H. Witten, Alistair Moffat, Timothy C. Bell, Managing Gigabytes: Compressing and Indexing Documents and Images, Morgan Kaufmann, 1999, p. 92.

Collegamenti esterni

Questa voce è stata pubblicata da Wikipedia. Il testo è rilasciato in base alla licenza Creative Commons Attribution-Share Alike 4.0, salvo diversa indicazione. Potrebbero essere applicate clausole aggiuntive per i file multimediali.