diff --git a/README.md b/README.md index 992a24c..f089434 100644 --- a/README.md +++ b/README.md @@ -1,45 +1,48 @@ -# OpenDataSets – Danske Åbne Datasæt & Lister +# OpenDataSets – Danske Åbne Datasæt & Lister / Danish Open Datasets -Dette repository indeholder **udelukkende færdigbehandlede, statiske datalister** i universelle tekst- og dataformater (`.csv`, `.json`, `.txt`). - -> **Kilderepository & transformationsværktøjer:** [OpenData](https://git.p20.dev/christian/OpenData.git) -> **Seneste synkronisering:** `2026-10-22 18:06:25 UTC` -> **Samlet antal filer:** `186` lister (46.2 MB) +[🇩🇰 Dansk](#dansk) | [🇬🇧 English](#english) --- -## 📂 Mappestruktur & Filformater + +## 🇩🇰 Dansk -Hvert datasæt er organiseret i sin oprindelige emnemappe med dedikerede undermapper til hvert filformat: +Dette repository indeholder **udelukkende færdigbehandlede, statiske datalister** i universelle dataformater (`.csv`, `.json`, `.txt`). + +> **Kilderepository & bygge-scripts:** [OpenData](https://git.p20.dev/christian/OpenData.git) +> **Seneste synkronisering:** `2026-10-22 18:20:21 UTC` +> **Samlet antal lister:** `186` filer (46.2 MB) + +### 📂 Mappestruktur & Filformater + +Hvert datasæt følger kildens mappehierarki med dedikerede undermapper til hver filtype (`csv/`, `json/`, `txt/`): ```text OpenDataSets/ -├── README.md # Denne centrale dokumentation -├── dataset_manifest.json # Integritets- og versionsmanifest (SHA-256) +├── README.md # Denne centrale tosprogede dokumentation +├── dataset_manifest.json # Integritets- og versionsmanifest (SHA-256 for alle filer) ├── cor_ordlister/ # Bøjningsformer, Wordle, Scrabble, længder m.m. │ ├── wordle/ -│ │ ├── csv/ # Wordle 5-bogstavers ord i CSV -│ │ ├── json/ # Wordle 5-bogstavers ord i JSON -│ │ └── txt/ # Wordle 5-bogstavers ord i ren tekstlinie-format +│ │ ├── csv/ # CSV-format +│ │ ├── json/ # JSON-format +│ │ └── txt/ # Rent linje-tekstformat (UTF-8) │ └── laengder/ │ ├── csv/ │ ├── json/ │ └── txt/ ├── cor_ekstra/ # Grammatik, ordklasser, kuriositeter, stavefejl -│ ├── grammatik/ -│ ├── kuriositeter/ -│ ├── ordklasser/ -│ └── stavefejl/ -├── danske_aabne_datakilder/ # Register over 60+ åbne danske datakilder -├── dst_alkohol_tobak/ # Historiske tidsserier for salg af alkohol og tobak -└── dst_navne/ # Danmarks Statistiks mest populære navne (1985-2025) +│ ├── grammatik/ (csv/, json/, txt/) +│ ├── kuriositeter/ (csv/, json/, txt/) +│ ├── ordklasser/ (csv/, json/, txt/) +│ └── stavefejl/ (csv/, json/) +├── danske_aabne_datakilder/ # Register over 60+ åbne danske datakilder (csv/, json/) +├── dst_alkohol_tobak/ # Tidsserier for alkohol & tobak 1921–2025 (csv/, json/) +└── dst_navne/ # Nyfødtes navne top 50 1985–2025 (csv/) ``` ---- +### 📊 Oversigt over Datasæt -## 📊 Oversigt over Datasæt - -### 🔹 `cor_ekstra` +#### 🔹 `cor_ekstra` Ekstra sproglige udtræk fra COR & søgehjælpsdata – herunder grammatiske særtræk, ordklassekategorier, stavefejlsrettelser og ordspilskuriositeter. - [**`cor_ekstra/grammatik`**](cor_ekstra/grammatik/) — Formater: `csv` (5), `json` (5), `txt` (3) (13 filer i alt) @@ -47,7 +50,7 @@ Ekstra sproglige udtræk fra COR & søgehjælpsdata – herunder grammatiske sæ - [**`cor_ekstra/ordklasser`**](cor_ekstra/ordklasser/) — Formater: `csv` (11), `json` (11), `txt` (10) (32 filer i alt) - [**`cor_ekstra/stavefejl`**](cor_ekstra/stavefejl/) — Formater: `csv` (1), `json` (1) (2 filer i alt) -### 🔹 `cor_ordlister` +#### 🔹 `cor_ordlister` Danske ordlister baseret på Det Centrale Ordregister (COR) – velegnet til spil (Scrabble, Wordle), ordbøger og tekstanalyse. - [**`cor_ordlister/grundformer`**](cor_ordlister/grundformer/) — Formater: `csv` (1), `json` (1), `txt` (1) (3 filer i alt) @@ -56,32 +59,106 @@ Danske ordlister baseret på Det Centrale Ordregister (COR) – velegnet til spi - [**`cor_ordlister/scrabble`**](cor_ordlister/scrabble/) — Formater: `csv` (1), `json` (1), `txt` (1) (3 filer i alt) - [**`cor_ordlister/wordle`**](cor_ordlister/wordle/) — Formater: `csv` (1), `json` (1), `txt` (1) (3 filer i alt) -### 🔹 `danske_aabne_datakilder` -Katalogiseret oversigt over åbne danske API'er og dataportaler med adresser, kategorier, licenser og adgangskrav. +#### 🔹 `danske_aabne_datakilder` +Katalogiseret oversigt over 60+ åbne danske API'er og dataportaler med adresser, kategorier, licenser og adgangskrav. - [**`danske_aabne_datakilder`**](danske_aabne_datakilder/) — Formater: `csv` (1), `json` (1) (2 filer i alt) -### 🔹 `dst_alkohol_tobak` +#### 🔹 `dst_alkohol_tobak` 100+ års historiske data (1921–2025) over salg og forbrug af alkohol, cigaretter og tobak i Danmark fra Danmarks Statistik. - [**`dst_alkohol_tobak`**](dst_alkohol_tobak/) — Formater: `csv` (2), `json` (2) (4 filer i alt) -### 🔹 `dst_navne` +#### 🔹 `dst_navne` Top 50-lister over nyfødtes navne i Danmark fra 1985 frem til seneste opgørelse (Danmarks Statistik). - [**`dst_navne`**](dst_navne/) — Formater: `csv` (1) (1 filer i alt) ---- - -## 🔄 Integritet & Opdatering +### 🔄 Integritet & Opdatering Alle filers SHA-256 hash og størrelse registreres i [`dataset_manifest.json`](dataset_manifest.json). -Ved enhver synkronisering fra hoved-repositoriet verificeres filernes integritet og versionshistorik. +Ved enhver synkronisering fra kilderepositoriet verificeres filernes integritet og versionshistorik automatisk. -## 📜 Licenser & Kildeangivelse +### 📜 Licenser & Kildeangivelse - **COR (cor_ordlister, cor_ekstra):** Creative Commons CC0 1.0 Universal (Det Centrale Ordregister / Dansk Sprognævn). -- **Danmarks Statistik (dst_alkohol_tobak, dst_navne):** CC BY 4.0 (Danmarks Statistik). -- **Danske Åbne Datakilder:** CC0 1.0 Universal. +- **Danmarks Statistik (dst_alkohol_tobak, dst_navne):** [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/deed.da) (Danmarks Statistik). +- **Danske Åbne Datakilder:** [CC0 1.0 Universal](https://creativecommons.org/publicdomain/zero/1.0/). -Se [OpenData](https://git.p20.dev/christian/OpenData.git) for rådata-scripts og opdateringsprocesser. \ No newline at end of file +For transformerscripts, rådata-downloaders og pipeline-koder henvises til [OpenData](https://git.p20.dev/christian/OpenData.git). + +--- + + +## 🇬🇧 English + +This repository contains **exclusively static, processed data lists** in open universal formats (`.csv`, `.json`, `.txt`). + +> **Source repository & pipelines:** [OpenData](https://git.p20.dev/christian/OpenData.git) +> **Last synchronized:** `2026-10-22 18:20:21 UTC` +> **Total datasets:** `186` files (46.2 MB) + +### 📂 Directory Structure & Formats + +All datasets retain the logical domain taxonomy of the source repository, organized into dedicated subdirectories per file extension (`csv/`, `json/`, `txt/`): + +```text +OpenDataSets/ +├── README.md # Bilingual root documentation +├── dataset_manifest.json # Integrity manifest with SHA-256 hashes +├── cor_ordlister/ # Word lists, inflections, lengths, Scrabble, Wordle +│ ├── wordle/ +│ │ ├── csv/ +│ │ ├── json/ +│ │ └── txt/ +├── cor_ekstra/ # Grammatical anomalies, curiosities, 10 POS categories, typos +├── danske_aabne_datakilder/ # Directory of 60+ Danish open data sources and APIs +├── dst_alkohol_tobak/ # Historical sales & consumption series 1921–2025 +└── dst_navne/ # Top 50 newborn baby names 1985–2025 +``` + +### 📊 Dataset Catalog + +#### 🔹 `cor_ekstra` +Linguistic subsets and curio lists from COR & search assistance data – grammar anomalies, 10 parts of speech, typos with corrections, and word puzzles. + +- [**`cor_ekstra/grammatik`**](cor_ekstra/grammatik/) — Formats: `csv` (5), `json` (5), `txt` (3) (13 files total) +- [**`cor_ekstra/kuriositeter`**](cor_ekstra/kuriositeter/) — Formats: `csv` (8), `json` (8), `txt` (5) (21 files total) +- [**`cor_ekstra/ordklasser`**](cor_ekstra/ordklasser/) — Formats: `csv` (11), `json` (11), `txt` (10) (32 files total) +- [**`cor_ekstra/stavefejl`**](cor_ekstra/stavefejl/) — Formats: `csv` (1), `json` (1) (2 files total) + +#### 🔹 `cor_ordlister` +Danish word lists derived from The Central Word Register (COR) – ideal for games (Scrabble, Wordle), spell-checkers, and NLP. + +- [**`cor_ordlister/grundformer`**](cor_ordlister/grundformer/) — Formats: `csv` (1), `json` (1), `txt` (1) (3 files total) +- [**`cor_ordlister/laengder`**](cor_ordlister/laengder/) — Formats: `csv` (33), `json` (33), `txt` (33) (99 files total) +- [**`cor_ordlister/palindromer`**](cor_ordlister/palindromer/) — Formats: `csv` (1), `json` (1), `txt` (1) (3 files total) +- [**`cor_ordlister/scrabble`**](cor_ordlister/scrabble/) — Formats: `csv` (1), `json` (1), `txt` (1) (3 files total) +- [**`cor_ordlister/wordle`**](cor_ordlister/wordle/) — Formats: `csv` (1), `json` (1), `txt` (1) (3 files total) + +#### 🔹 `danske_aabne_datakilder` +Verified directory of 60+ Danish open data sources and APIs with endpoints, domains, licenses, and access requirements. + +- [**`danske_aabne_datakilder`**](danske_aabne_datakilder/) — Formats: `csv` (1), `json` (1) (2 files total) + +#### 🔹 `dst_alkohol_tobak` +100+ years of historical data (1921–2025) on sales and consumption of alcohol, cigarettes, and tobacco in Denmark (Statistics Denmark). + +- [**`dst_alkohol_tobak`**](dst_alkohol_tobak/) — Formats: `csv` (2), `json` (2) (4 files total) + +#### 🔹 `dst_navne` +Top 50 baby names for newborns in Denmark from 1985 to latest official releases (Statistics Denmark). + +- [**`dst_navne`**](dst_navne/) — Formats: `csv` (1) (1 files total) + +### 🔄 Data Integrity + +Each release computes SHA-256 checksums stored in [`dataset_manifest.json`](dataset_manifest.json) to guarantee immutability and verifiable pedigree. + +### 📜 Licenses & Attribution + +- **COR (cor_ordlister, cor_ekstra):** Creative Commons CC0 1.0 Universal (Det Centrale Ordregister / Danish Language Council). +- **Statistics Denmark (dst_alkohol_tobak, dst_navne):** [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) (Danmarks Statistik). +- **Danish Open Data Catalog:** [CC0 1.0 Universal](https://creativecommons.org/publicdomain/zero/1.0/). + +For raw data downloaders, build scripts, and MCP server integrations, visit [OpenData](https://git.p20.dev/christian/OpenData.git). \ No newline at end of file diff --git a/dataset_manifest.json b/dataset_manifest.json index e80b676..e5e8fbb 100644 --- a/dataset_manifest.json +++ b/dataset_manifest.json @@ -1,5 +1,5 @@ { - "generated_at": "2026-10-22T18:06:26.001109+00:00", + "generated_at": "2026-10-22T18:20:21.191453+00:00", "source_repo": "https://git.p20.dev/christian/OpenData.git", "datasets_repo": "https://git.p20.dev/christian/OpenDataSets.git", "total_files": 186,