Common Crawl URL インデックスマイナー は何をしますか?
Common Crawl インデックス API と CC-MAIN コレクションにクエリを実行し、大規模な履歴 URL カバレッジ、MIME タイプ、クロールスナップショットを取得します。フルスクラッチでクローラーを構築することなく、広範なウェブリコールを必要とする研究ワークフローに便利です。
インストール
環境に合わせたアップストリームのインストールまたはセットアップパスを使用してください。
- 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
アップストリームからの要件と注意事項:
-
Docker を使用したビルドと実行
- プロジェクトをコンパイルし、Docker コンテナ内で Spark ジョブを実行するための Dockerfile が提供されています。
- Docker イメージをビルドします。
基本的な使用法または入門メモ:
-
このプロジェクトは、包括的なクエリ例(SQL)と、SQL クエリに一致する WARC レコードを取得して処理する Java コードを提供します。
-
mvn spotless:check および mvn spotless:apply を実行します。詳細は Spotless Maven ガイド を参照してください。Java フォーマットルールは eclipse-formatter.xml で定義されています。
-
テーブルコンバーターツールを実行します。以下にコマンドラインヘルプ(--help)を示します。
-
アップストリームドキュメントから抽出: https://raw.githubusercontent.com/commoncrawl/cc-index-table/HEAD/README.md