Was macht Common Crawl URL Index Miner?
Fragt die Common Crawl Index API und CC-MAIN-Sammlungen ab, um historische URL-Abdeckung, MIME-Typen und Crawl-Snapshots in großem Umfang zu ermitteln. Nützlich für Forschungs-Workflows, die breite Web-Recall-Fähigkeiten benötigen, ohne einen vollständigen Crawler von Grund auf neu zu bauen.
Installation
Verwenden Sie den Upstream-Installations- oder Setup-Pfad, der Ihrer Umgebung entspricht:
- docker build . -t cc-index-table
- docker run --rm -ti cc-index-table --help
- docker run --rm --entrypoint=/opt/spark/bin/spark-submit cc-index-table
- docker run --mount=type=bind,source=/tmp/data,destination=/data --rm cc-index-table /data/in /data/out
Anforderungen und Hinweise von Upstream:
-
Bauen und Ausführen mit Docker
- Eine Dockerfile wird bereitgestellt, um das Projekt zu kompilieren und den Spark-Job in einem Docker-Container auszuführen.
- Das Docker-Image erstellen:
Grundlegende Nutzungs- oder Erste-Schritte-Hinweise:
-
Dieses Projekt bietet eine umfassende Sammlung von Beispielabfragen (SQL) sowie Java-Code zum Abrufen und Verarbeiten der WARC-Datensätze, die durch eine SQL-Abfrage gefunden wurden.
-
Führen Sie
mvn spotless:checkundmvn spotless:applyaus, siehe Spotless Maven-Anleitung. Java-Formatierungsregeln sind in [eclipse-formatter.xml](eclips... definiert. -
Führen Sie das Tabellenkonverter-Tool aus, hier mit der Befehlszeilenhilfe (--help):
-
Aus Upstream-Dokumentation extrahiert: https://raw.githubusercontent.com/commoncrawl/cc-index-table/HEAD/README.md