访问通用爬网 AWS 公共数据集
Posted
技术标签:
【中文标题】访问通用爬网 AWS 公共数据集【英文标题】:Access a common crawl AWS public dataset 【发布时间】:2013-05-15 00:17:16 【问题描述】:我需要浏览和下载 common crawl 的公共数据集的子集。 This 页面提到了数据的托管位置。 如何浏览并可能下载托管在 s3://aws-publicdatasets/common-crawl/crawl-002/ 上的常见爬网数据?
【问题讨论】:
【参考方案1】:作为更新,下载 Common Crawl 语料库一直是免费的,您可以使用 HTTP 代替 S3。 S3 允许您使用匿名凭据来访问数据。
如果要通过 HTTP 下载,请获取文件位置之一,例如:
common-crawl/crawl-data/CC-MAIN-2014-23/segments/1404776400583.60/warc/CC-MAIN-20140707234000-00000-ip-10-180-212-248.ec2.internal.warc.gz
然后添加https://commoncrawl.s3.amazonaws.com/,得到链接:
https://commoncrawl.s3.amazonaws.com/common-crawl/crawl-data/CC-MAIN-2014-23/segments/1404776400583.60/warc/CC-MAIN-20140707234000-00000-ip-10-180-212-248.ec2.internal.warc.gz
要获取所有此类文件的列表,请参阅最近爬取的 warc.paths.gz(或 WET 或 WAT 文件的等效文件),或使用 s3cmd 或类似工具使用匿名凭据列出文件。
此链接有效,您无需通过 S3 即可下载数据。
【讨论】:
【参考方案2】:对 Common Crawl 爬网的一般数据访问在以下位置进行了讨论: http://blog.commoncrawl.org/2015/05/april-2015-crawl-archive-available/
我认为获取一些试验数据的有用方法是使用存档的新索引: http://index.commoncrawl.org/CC-MAIN-2015-18
例如,如果您查询“www.cwi.nl”,您会发现关于包含来自该域的文件的段的 JSON 结构。
"urlkey": "nl,cwi)/", "timestamp": "20150505031358",
"status": "200", "url": "http://www.cwi.nl/",
"filename": "common-crawl/crawl-data/CC-MAIN-2015-18/segments/1430455222810.45/warc/CC-MAIN-20150501044022-00044-ip-10-235-10-82.ec2.internal.warc.gz",
"length": "5881", "mime": "text/html", "offset": "364108412",
"digest": "DLQQ4NMJMRRZFGXSXGSFPRO3YJBKVHN5"
为其添加 s3 信息前缀,您可以下载可用作示例数据的数据文件: https://aws-publicdatasets.s3.amazonaws.com/common-crawl/crawl-data/CC-MAIN-2015-18/segments/1430455222810.45/warc/CC-MAIN-20150501044022-00044-ip-10-235-10-82.ec2.internal.warc.gz
玩得开心!
【讨论】:
点击您发布的链接时,我得到This XML file does not appear to have any style information associated with it. The document tree is shown below
,这是预期的吗?【参考方案3】:
要访问 Common Crawl 数据,您需要运行 map-reduce 作业 反对它,并且由于语料库位于 S3 上,您可以通过 使用 Amazon 的 EC2 服务运行 Hadoop 集群。这涉及 设置一个使用我们自定义 InputFormat 的自定义 hadoop jar 类从我们的 S3 存储桶中的各个 ARC 文件中提取数据。
来源:http://commoncrawl.org/the-data/
开始使用:http://commoncrawl.org/the-data/get-started/
【讨论】:
这是访问数据的一种方式——但不是唯一的方式。【参考方案4】:其他答案有一些很好的信息 url,但是对于访问实际数据,如果你只想要它的一小部分,这个客户端代码非常适合查看索引和下载内容:
https://github.com/cocrawler/cdx_toolkit
【讨论】:
以上是关于访问通用爬网 AWS 公共数据集的主要内容,如果未能解决你的问题,请参考以下文章
Google BigQuery 通过 API 访问公共数据集