پیکرۀ حاضر مجموعه‌ای است بیش از یک میلیون کلمه، که ۱۱۰۱۹۸ تیتر خبری را از ۱۳ خبرگزاری رسمی و معتبر فارسی‌زبان گردآوری کرده است و شامل تیتر خبر، لید، گروه‌بندی اصلی خبر، زیرطبقه یا گروه‌بندی فرعی خبر، تاریخ انتشار و عبارت پیشین خبر است. برای هر تیتر سه برچسب نام خبرگزاری، تاریخ خبر و طبقۀ موضوعی آن مشخص شده و علاوه بر تیتر، لید متناظر با آن نیز در صورت وجود، جمع‌آوری شده است. تیترها قطعه‌بندی و ریشه‌یابی شده و برچسب اجزاء سخن برای هر واژه تعیین گردیده است. همچنین لیدهای خبری به‌صورت جداگانه پردازش شده و پس از قطعه‌بندی، ریشه‌یابی و جمله‌بندی، حجم کلمات مجموعه را به سه میلیون افزایش داده است. جمع‌آوری داده‌های این پیکره به‌صورت خودکار (Crawl) صورت پذیرفته است.