Que fait Explorateur d'Index URL Common Crawl ?
Interroge l'API d'index Common Crawl et les collections CC-MAIN pour révéler la couverture historique des URL, les types MIME et les instantanés d'exploration à grande échelle. Pratique pour les workflows de recherche nécessitant une large mémoire du Web sans avoir à construire un crawler complet.
Installation
Utilisez la méthode d'installation ou de configuration en amont correspondant à votre environnement :
- 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
Prérequis et mises en garde (provenant du dépôt amont) :
-
Construction et exécution avec Docker
- Un Dockerfile est fourni pour compiler le projet et exécuter le job Spark dans un conteneur Docker.
- Construisez l'image Docker :
Notes d'utilisation de base ou de démarrage :
-
Ce projet fournit un ensemble complet d'exemples de requêtes (SQL) ainsi que du code Java pour récupérer et traiter les enregistrements WARC correspondant à une requête SQL.
-
Exécutez
mvn spotless:checketmvn spotless:apply, voir le guide Maven Spotless. Les règles de formatage Java sont définies dans [eclipse-formatter.xml](eclips... -
Exécutez l'outil de conversion de table, ici en affichant l'aide en ligne de commande (--help) :
-
Extrait de la documentation en amont : https://raw.githubusercontent.com/commoncrawl/cc-index-table/HEAD/README.md