Was macht Common Crawl Index Query Agent?
Fragt die Common Crawl Index API für groß angelegte Webarchiv-Recherche und Datenextraktion ab. Verwendet die CDX Server API, WARC-Aufzeichnungsparsing mit warcio und den Common Crawl S3 Bucket für den Bulk-Datenzugriff.
Installation
Hinweise zur grundlegenden Verwendung oder zum Einstieg:
-
Common Crawl Daten werden auf Amazon Web Services' Public Data Sets gespeichert. Alle Daten- und Indexdateien sind kostenlos herunterladbar. Sie können gerne einen eigenen Indexserver betreiben oder den Index offline analysieren.
-
Mehr über den URL-Index in der ursprünglichen Ankündigung. Bei Fragen besuchen Sie das Common Crawl Benutzerforum oder den Discord Server. Siehe auch Erste Schritte.
-
Quelle: https://index.commoncrawl.org/