TamilThagaval/Tholkappiam

📚 Tholkappiyam Dataset

Dataset Summary

This dataset contains verses of Tholkappiyam, the oldest surviving Tamil grammatical text.
It is organized into three major sections:

• எழுத்ததிகாரம் (Ezuththadhigaaram) – Letters and sounds
• சொல்லதிகாரம் (Solladhigaaram) – Words and morphology
• பொருளதிகாரம் (Poruladhigaaram) – Meaning and context

Each entry provides:

• Section
• Subtopic
• Verse Number
• Verse Text (Tamil)

The dataset was collected from Tamil Surangam.
It is suitable for research in Tamil NLP, linguistic analysis, and computational grammar.

---

Languages

• Tamil (ta)

---

Dataset Structure

Data Fields

• section (string) — Main section name
• subtopic (string) — Subtopic name within the section
• verse_number (string) — Verse number
• verse_text (string) — The verse in Tamil

Example Entry

{ "section": "எழுத்ததிகாரம்", "subtopic": "எழுத்து என்னப்பெறு", "verse_number": "1", "verse_text": ""எழுத்து எனப்பெறு அகரம் முதல் கரை இவ்வாய்முப்பது எனப சார்ந்த வரி மறையின் மூன்று அவங்கடையே."" }

Dataset Statistics

Number of entries: ~1600 (approx, depending on scraping)

Format: CSV → Converted to Hugging Face Dataset

Size category: 1K < n < 10K

Usage Example

Loading with datasets

from datasets import load_dataset

Load the dataset

dataset = load_dataset("sakthivelan20040901/tholkappiyam")

print(dataset["train"][0])

Output { 'section': 'எழுத்ததிகாரம்', 'subtopic': 'நூல் மரபு', 'verse_number': '1', 'verse_text': '"எழுத்து எனப்பெறு அகரம் முதல் கரை இவ்வாய்முப்பது எனப சார்ந்த வரி மறையின் மூன்று அவங்கடையே."' }

Citation

If you use this dataset, please cite:

@dataset{sakthivelan_tholkappiyam_2025, title = {Tholkappiyam Tamil Verses Dataset}, author = {Sakthivelan}, year = {2025}, publisher = {Hugging Face}, howpublished = {\url{https://huggingface.co/datasets/sakthivelan20040901/tholkappiyam}} }