¿Qué hace Agente de Consulta al Índice de Common Crawl?
Realiza consultas a la API del Índice de Common Crawl para investigación de archivos web a gran escala y extracción de datos. Utiliza la API del Servidor CDX, el análisis de registros WARC con warcio y el bucket S3 de Common Crawl para acceso masivo a datos.
Instalación
Notas de uso básico o para empezar:
-
Los datos de Common Crawl se almacenan en los Conjuntos de Datos Públicos de Amazon Web Services. Todos los datos y archivos de índice son gratuitos para descargar. Siéntase libre de ejecutar su propio servidor de índice o analizar el índice sin conexión.
-
Más información sobre el índice de URL en el anuncio original. Para obtener ayuda, visite el foro de usuarios de Common Crawl o el servidor de Discord. Consulte también Primeros pasos.
-
Fuente: https://index.commoncrawl.org/