پایگاه داده‌های زبان فارسی مجموعه‌ای است از متون مختلف فارسی که بخشی از آن دارای نشانه‌گذاری‌هایی از جمله شناسنامهٔ متن،‌ برچسب‌های دستوری، ‌آوایی، ‌ریشه‌ای و معنایی است. این دادگان که در پژوهشگاه علوم انسانی و مطالعات فرهنگی تهیه شده است مجهز به نرم‌افزارهای اختصاصی جستجو، تقطیع و تحلیل متن است که می‌تواند انواع فهرست‌های واژگانی، ‌بسامدی و آماری را ارائه کند. از جمله متون موجود در پیکره حدود ۴۵۰ اثر داستانی و غیرداستانی نثر، ‌۲۵۰ اثر شعری از شاعران معاصر، بیش از ‌۸۰ عنوان مجله و نشریهٔ علمی، ادبی و تخصصی، ‌ نزدیک به ۳۰۰ عنوان نمایشنامه و فیلمنامه ‌ و ۲۰۰ عنوان ادبیات کودک، چندین عنوان روزنامه و نشریهٔ خبری، برخی از کتاب‌های درسی دانشگاهی و دبیرستانی، ‌برخی از کتاب‌های دبستانی، نامه‌های اداری و بخشنامه‌ها، مجموعهٔ کامل قوانین و مقررات، نشریه‌ها و جزوه‌های پراکنده، ‌پوستر‌ها و دیوارنوشته‌ها است.