[Home] [Query] [WordAlign] [Wiki] -- [ECB] [EMEA] [EU] [Europarl3] [hren] [KDE4 doc] [MBS] [MultiUN] [OO] [OO3] [Subs] [Subs2011] [SETIMES] [SPC] [Tatoeba] [TEP] [TedTalks] [UN] [WikiSource]

EMEA

This is a parallel corpus made out of PDF documents from the European Medicines Agency. All files are automatically converted from PDF to plain text using pdftotext with the command line arguments -layout -nopgbrk -eol unix. There are some known problems with tables and multi-column layouts - some of them are fixed in the current version.

source: http://www.emea.europa.eu/

22 languages, 231 bitexts
total number of files: 41,957
total number of tokens: 311.65M
total number of sentence fragments: 26.51M

Please cite the following article if you use any part of the corpus in your own work:
Jörg Tiedemann, 2009, News from OPUS - A Collection of Multilingual Parallel Corpora with Tools and Interfaces. In N. Nicolov and K. Bontcheva and G. Angelova and R. Mitkov (eds.) Recent Advances in Natural Language Processing (vol V), pages 237-248, John Benjamins, Amsterdam/Philadelphia

Download

NEW: Dutch EMEA Treebank (parsed with Alpino)

Complete download (XML): EMEA0.3.tar.gz (5,0G )

Bottom-left triangle: download files
  • ces = sentence alignments in XCES format
  • leftmost column language IDs = corpus files in XML
  • TMX and plain text files (Moses): see "Statistics" below
  • lower row language IDs = parsed corpus files (if they exist)
Upper-right triangle: sample files
  • view = bilingual XML file samples
  • upper row language IDs = monolingual XML file samples
  • rightmost column language IDs = parsed XML file samples (if they exist)

bg cs da de el en es et fi fr hu it lt lv mt nl pl pt ro sk sl sv
bg viewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewbg
cs ces viewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewcs
da ces ces viewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewda
de ces ces ces viewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewde
el ces ces ces ces viewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewel
en ces ces ces ces ces viewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewen
es ces ces ces ces ces ces viewviewviewviewviewviewviewviewviewviewviewviewviewviewviewes
et ces ces ces ces ces ces ces viewviewviewviewviewviewviewviewviewviewviewviewviewviewet
fi ces ces ces ces ces ces ces ces viewviewviewviewviewviewviewviewviewviewviewviewviewfi
fr ces ces ces ces ces ces ces ces ces viewviewviewviewviewviewviewviewviewviewviewviewfr
hu ces ces ces ces ces ces ces ces ces ces viewviewviewviewviewviewviewviewviewviewviewhu
it ces ces ces ces ces ces ces ces ces ces ces viewviewviewviewviewviewviewviewviewviewit
lt ces ces ces ces ces ces ces ces ces ces ces ces viewviewviewviewviewviewviewviewviewlt
lv ces ces ces ces ces ces ces ces ces ces ces ces ces viewviewviewviewviewviewviewviewlv
mt ces ces ces ces ces ces ces ces ces ces ces ces ces ces viewviewviewviewviewviewviewmt
nl ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces viewviewviewviewviewviewnl
pl ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces viewviewviewviewviewpl
pt ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces viewviewviewviewpt
ro ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces viewviewviewro
sk ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces viewviewsk
sl ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces viewsl
sv ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces sv
bg cs da de el en es et fi fr hu it lt lv mt nl pl pt ro sk sl sv

Statistics and TMX/Moses Downloads

Number of files, tokens, and sentences per language (including non-parallel ones if they exist)
Number of sentence alignment units per language pair

Upper-right triangle: download translation memory files (TMX)
Bottom-left triangle: download plain text files (MOSES/GIZA++)

language files tokens sentencesbgcsdadeelenesetfifrhuitltlvmtnlplptroskslsv
bg1,643 14.7M 1.2M0.3M 0.3M 0.3M 0.4M 0.3M 0.3M 0.3M 0.3M 0.4M 0.4M 0.4M 0.3M 0.3M 0.4M 0.4M 0.4M 0.3M 0.4M 0.3M 0.3M 0.3M
cs1,919 14.2M 1.2M1.0M 0.4M 0.4M 0.4M 0.3M 0.4M 0.3M 0.3M 0.4M 0.4M 0.4M 0.4M 0.3M 0.3M 0.4M 0.4M 0.4M 0.3M 0.3M 0.3M 0.3M
da1,973 14.6M 1.3M1.0M 1.1M 0.4M 0.4M 0.4M 0.4M 0.3M 0.4M 0.4M 0.4M 0.4M 0.4M 0.4M 0.3M 0.4M 0.4M 0.4M 0.3M 0.4M 0.4M 0.4M
de1,991 11.7M 1.3M1.0M 1.1M 1.1M 0.4M 0.4M 0.4M 0.3M 0.4M 0.4M 0.4M 0.4M 0.4M 0.4M 0.3M 0.4M 0.4M 0.4M 0.3M 0.4M 0.4M 0.4M
el1,977 16.7M 1.3M1.0M 1.1M 1.1M 1.1M 0.4M 0.4M 0.4M 0.4M 0.4M 0.4M 0.4M 0.4M 0.4M 0.3M 0.4M 0.4M 0.4M 0.3M 0.4M 0.4M 0.4M
en1,949 12.1M 1.2M1.0M 1.1M 1.1M 1.1M 1.1M 0.4M 0.3M 0.4M 0.4M 0.3M 0.4M 0.3M 0.3M 0.3M 0.4M 0.3M 0.4M 0.3M 0.3M 0.3M 0.4M
es1,992 13.9M 1.2M1.0M 1.1M 1.1M 1.1M 1.1M 1.1M 0.3M 0.4M 0.4M 0.4M 0.4M 0.4M 0.4M 0.3M 0.4M 0.4M 0.4M 0.3M 0.4M 0.4M 0.4M
et1,920 12.3M 1.2M1.0M 1.1M 1.1M 1.1M 1.0M 1.0M 1.1M 0.3M 0.4M 0.4M 0.4M 0.3M 0.3M 0.3M 0.4M 0.4M 0.3M 0.3M 0.3M 0.3M 0.3M
fi1,972 12.6M 1.2M1.0M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 0.4M 0.4M 0.4M 0.4M 0.3M 0.3M 0.4M 0.4M 0.4M 0.3M 0.3M 0.3M 0.4M
fr1,987 14.9M 1.2M1.0M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 0.4M 0.4M 0.4M 0.4M 0.3M 0.4M 0.4M 0.4M 0.3M 0.4M 0.4M 0.4M
hu1,919 14.1M 1.2M1.0M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 0.4M 0.4M 0.4M 0.3M 0.4M 0.4M 0.4M 0.3M 0.4M 0.4M 0.4M
it1,976 14.1M 1.2M1.0M 1.0M 1.1M 1.1M 1.1M 1.1M 1.1M 1.0M 1.1M 1.1M 1.1M 0.4M 0.4M 0.3M 0.4M 0.4M 0.4M 0.3M 0.4M 0.4M 0.4M
lt1,920 13.6M 1.2M1.0M 1.1M 1.1M 1.1M 1.1M 1.0M 1.1M 1.0M 1.1M 1.1M 1.1M 1.1M 0.4M 0.3M 0.4M 0.4M 0.4M 0.3M 0.4M 0.4M 0.3M
lv1,922 13.4M 1.2M1.0M 1.1M 1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 1.1M 0.3M 0.4M 0.4M 0.3M 0.3M 0.3M 0.3M 0.3M
mt1,579 16.3M 1.1M1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 0.9M 1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 0.3M 0.3M 0.3M 0.3M 0.3M 0.3M 0.3M
nl1,972 13.3M 1.2M1.0M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.0M 1.0M 0.4M 0.4M 0.3M 0.4M 0.4M 0.4M
pl1,922 14.9M 1.2M1.0M 1.1M 1.1M 1.1M 1.1M 1.0M 1.1M 1.0M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.0M 1.1M 0.4M 0.3M 0.4M 0.4M 0.4M
pt1,975 16.6M 1.2M1.0M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.0M 1.0M 1.1M 1.0M 0.3M 0.4M 0.4M 0.4M
ro1,639 15.0M 1.1M1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 1.0M 0.3M 0.3M 0.3M
sk1,920 14.1M 1.2M1.0M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.0M 1.1M 1.1M 1.1M 1.0M 0.3M 0.3M
sl1,920 14.7M 1.2M1.0M 1.1M 1.1M 1.1M 1.1M 1.0M 1.1M 1.0M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.0M 1.1M 1.1M 1.1M 1.0M 1.1M 0.3M
sv1,970 13.9M 1.2M1.0M 1.1M 1.1M 1.1M 1.1M 1.1M 1.1M 1.0M 1.1M 1.1M 1.1M 1.1M 1.1M 1.0M 1.0M 1.1M 1.0M 1.1M 1.0M 1.1M 1.1M

Note that TMX files only contain unique translation units and, therefore, the number of aligned units is smaller than for the distributions in Moses and XML format. Moses downloads include all non-empty alignment units including duplicates. Token counts for each language also include duplicate sentences and documents.