¿Qué hace Minero de Índice de URLs de Common Crawl?
Consulta la API de Índice de Common Crawl y las colecciones CC-MAIN para descubrir cobertura histórica de URLs, tipos MIME y capturas instantáneas de rastreo a gran escala. Útil para flujos de trabajo de investigación que necesitan un amplio recuerdo web sin construir un rastreador completo desde cero.
Instalación
Usa la ruta de instalación oficial o la configuración que coincida con tu entorno:
- 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
Requisitos y advertencias del proyecto original:
-
Construir y ejecutar usando Docker
- Se proporciona un Dockerfile para compilar el proyecto y ejecutar el trabajo de Spark en un contenedor Docker.
- Construye la imagen Docker:
Notas de uso básico o inicio rápido:
-
Este proyecto proporciona un conjunto completo de consultas de ejemplo (SQL) y también código Java para obtener y procesar los registros WARC que coinciden con una consulta SQL.
-
Ejecuta mvn spotless:check y mvn spotless:apply; consulta la guía de Spotless Maven. Las reglas de formato Java están definidas en [eclipse-formatter.xml](eclip...
-
Ejecuta la herramienta convertidora de tablas, aquí se muestra la ayuda de línea de comandos (--help):
-
Extraído de la documentación oficial: https://raw.githubusercontent.com/commoncrawl/cc-index-table/HEAD/README.md