Common Crawl URL 색인 마이너은(는) 무엇을 하나요?
Common Crawl 색인 API와 CC-MAIN 컬렉션을 쿼리하여 대규모로 과거 URL 범위, MIME 유형 및 크롤링 스냅샷을 표면화합니다. 처음부터 전체 크롤러를 구축하지 않고도 광범위한 웹 리콜이 필요한 연구 워크플로에 유용합니다.
설치
사용자 환경에 맞는 업스트림 설치 또는 설정 경로를 사용하세요.
- 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
업스트림의 요구 사항 및 주의 사항:
-
Docker를 사용한 빌드 및 실행
- 프로젝트를 컴파일하고 Docker 컨테이너에서 Spark 작업을 실행하기 위해 Dockerfile이 제공됩니다.
- Docker 이미지를 빌드하세요:
기본 사용법 또는 시작 참고 사항:
-
이 프로젝트는 SQL 쿼리와 일치하는 WARC 레코드를 가져오고 처리하기 위한 포괄적인 예제 쿼리(SQL) 세트와 Java 코드를 제공합니다.
-
mvn spotless:check 및 mvn spotless:apply를 실행하세요. 자세한 내용은 Spotless Maven 가이드를 참조하세요. Java 포맷팅 규칙은 eclipse-formatter.xml에 정의되어 있습니다.
-
테이블 변환기 도구를 실행하세요. 여기서는 명령줄 도움말(--help)을 보여줍니다.
-
업스트림 문서에서 추출: https://raw.githubusercontent.com/commoncrawl/cc-index-table/HEAD/README.md