中文文本分类数据集下载与来源：THUCNews、CLUE、ChineseNlpCorpus

中文文本分类数据集下载与来源：THUCNews、CLUE、ChineseNlpCorpus

主要来源分布

中文文本分类数据，主要分布在三类来源：

• 新闻类数据（财经、体育、科技、娱乐等）：最经典的有清华的 THUCNews、搜狗新闻语料、今日头条的标题数据。
• 评论/情感类数据（好评差评、电商外卖评论）：GitHub 上有整理好的合集，CSV 格式，可直接下载，适合好评/差评这类二分类任务。
• 综合评测基准中的现成子集：如 CLUE（中文语言理解评测）打包了多个可直接使用的小数据集。

下面逐个列出真实来源，并说明哪些可免费下载、哪些需要注册、哪些仅限学术使用。

逐个来源说明

1. 新闻分类的经典集：THUCNews（清华）

• 是什么：清华大学 NLP 实验室整理的新浪新闻数据，约 74 万篇、14 个类别（财经、体育、科技、娱乐等），纯文本格式，体量约 2GB 以上。是中文新闻分类最常被引用的基准数据集。
• 官方入口：http://thuctc.thunlp.org/

（提供工具包和数据申请入口）

• 便捷镜像：https://huggingface.co/datasets/seamew/THUCNews

（Hugging Face 上的镜像，有一定技术基础可一键加载；最终授权仍以原始集为准）

• 注意：官方写明仅供学术/研究使用。能否商用、能否再分发，需查看官方授权页，不宜默认可随意使用。

2. 中文评测基准中的现成子集：CLUE

CLUE（中文语言理解评测基准）打包了多个可直接用于文本分类的数据集：

• TNEWS：今日头条短新闻分类，约 26.6 万条训练数据、15 个类别。
• IFLYTEK：APP 应用描述的长文本分类，1.7 万多条样本、119 个类别。
• CSLDCP：中文科学文献的学科分类，67 个类别。
• EPRSTMT：电商评论的二分类情感（好评/差评，属于小样本任务）。
• 官方 GitHub：https://github.com/CLUEbenchmark/CLUE

（含基准说明和基线代码）

• 可加载镜像：https://huggingface.co/datasets/clue

（tnews、iflytek 等子集，json/parquet 格式）

• 数字核对：https://www.cluebenchmarks.com/introduce.html

（各任务定义、训练/验证/测试规模，类别数和样本量以此页为准）

• 注意：主要面向研究用途，各子集的许可以原始页面为准。

3. 评论/情感分类常用合集：ChineseNlpCorpus

• 是什么：GitHub 上整理好的中文情感/评论分类合集，CSV 格式，开源、可直接下载，适合好评/差评二分类的入门使用。包含：
• ChnSentiCorp：酒店评论二分类
• waimai_10k：外卖评论约 1.2 万条（好评约 4 千、差评约 8 千）
• online_shopping_10cats：10 类商品共 6 万多条评论（好评差评各约 3 万）
• weibo_senti_100k：新浪微博 10 万多条（好评差评各约 5 万）
• 地址：https://github.com/SophonPlus/ChineseNlpCorpus

4. 今日头条新闻标题分类：toutiao 数据集

• 是什么：约 38 万条头条新闻、15 个类别。字段用 _!_ 分隔（新闻 ID、类别码、类别名、标题、关键词），纯文本，可直接下载。
• 地址：https://github.com/fate233/toutiao-text-classfication-dataset

5. 搜狗新闻语料库 SogouCS（搜狗实验室）

• 是什么：XML 格式的新闻语料，依靠网址（url）推断频道来做分类。精简版约一两百个文本文件，完整版解压约 3.3GB。
• 地址：https://www.sogou.com/labs/resource/cs.php
• 注意：这个数据集使用门槛较高——文件是 ANSI/XML 编码，需要先做编码转换和解析（对非技术用户不够友好）。另外，部分版本需要先注册、同意协议才能下载，以官方页面为准。

6. 国内综合平台（需登录，数据集随平台变动）

下面几个是国内可直接访问的数据平台，其中也有中文文本分类/情感分析的数据集。但通常需要登录（部分需实名），且具体内容和规模会随平台更新变化。以下仅供参考，请以平台实时页面为准：

• 阿里云天池：https://tianchi.aliyun.com/dataset/

（含 NLP 新闻分类等数据集和学习赛）

• 百度飞桨 AI Studio：https://aistudio.baidu.com/datasetoverview

（含中文新闻标题分类等，多与项目/比赛绑定）

• 和鲸社区 Heywhale：https://www.heywhale.com/home

（国内数据科学社区，有文本分类/情感分析数据集和示例笔记本）

7. 国际平台入口（需要对应账号）

• Kaggle：https://www.kaggle.com/code/gpreda/chinese-text-classification

（国际平台上的中文文本分类示例和配套数据，需要 Kaggle 账号）

8. 学术付费/受限库（个人一般无法下载）

这两个库中有不少高质量的中文文本语料，但主要依靠高校图书馆订阅或机构付费/申请，个人很难免费直接下载，适合有校园网或机构账号的科研人员：

• CSMAR（国泰安/希施玛）：https://data.csmar.com/

（含财经新闻、舆情文本）

• CnOpenData：https://www.cnopendata.com/

（含人民日报文本、A 股新闻舆情、省市官方报纸等）

获取难度：三档划分

按获取难度，将上述来源分为三档：

• 可直接免费下载：ChineseNlpCorpus 评论合集、今日头条标题数据集，以及 THUCNews 和 CLUE 子集的 Hugging Face 镜像（有技术基础可一键加载）。
• 免费但有一定门槛：THUCNews 官方入口（需注意学术授权）、搜狗 SogouCS（需编码转换、部分版本需注册同意协议）、天池/飞桨/和鲸（需登录、部分需实名）。
• 付费或机构限定：CSMAR、CnOpenData，个人基本无法下载，需依靠学校或单位账号。

需要提前注意的几点：

• 网盘链接容易失效：网上常被转发的“复旦中文文本分类语料”这类链接，往往走百度网盘、带提取码，时间一长容易失效。这类链接是否可用、数字是否准确，均以发布方当前页面为准。
• 找不到时的替代路径：
• 官方集打不开 → 查找 Hugging Face 上的镜像（如 THUCNews 的 seamew 镜像）。
• 网盘链接失效 → 转去 CLUE 中查找同类的现成子集（如需新闻分类可用 TNEWS）。
• 评论情感数据没有合适来源 → 直接用 ChineseNlpCorpus 这个整理好的合集起步。

使用前注意：许可与合规

• 先看许可，不应想当然使用：THUCNews、搜狗语料、复旦语料这类，很多写明“仅供学术研究”。能否商用、能否再分发，需逐个查看各自官方授权页，以官方页面为准。
• 新闻和评论原文有版权：这些数据中的新闻正文、用户评论本身是受版权保护的内容。自行研究、模型练习一般没有问题，但如需商用、对外发布或二次分发，务必先确认授权，避免版权风险。
• 国内平台需查看平台条款：天池、飞桨、和鲸上的数据集各有使用条款，下载前请留意平台和发布者的说明。

来源零散时的服务支持

中文文本分类的数据，实际情况是“来源很多但较为零散，获取难度差别很大”。新闻分类和评论情感是两套完全不同的数据，经典集分散在高校实验室网页、GitHub、网盘和 Hugging Face 镜像中，学术付费库又是另一档。逐个核对许可、确认能否下载，确实较为费时。

如果你不想自行逐个查找，我们的服务可以提供支持：数聚天成 DeepSData 可以做一次深度数据可得性检索——跨这些零散来源，逐个查清“有什么、什么格式、许可怎样、是否需要登录或付费”，最后给出一个诚实的判断：这份数据是直接免费下载、需要校园网、还是只能申请。命中时会给出获取路径，未命中时也会提供替代方案。我们替你完成“广泛检索 + 如实交底”这部分工作，但最终的许可核对，仍建议你到官方页面确认，外链也不保证长期有效。

如有需要，告诉我们你想找什么、必须满足哪些条件即可。

本文仅作公开来源整理和可得性参考，不构成医疗、法律、投资、商业决策或合规意见；正式使用前请以官方页面、授权条款和专业意见为准。

说明：本文为公开资料整理，仅供参考；平台政策、价格、下载方式与链接随时可能变化，本文不保证持续更新，请以各官方页面最新信息为准。