O que Agente de Consulta ao Índice Common Crawl faz?
Consulta a API do Índice Common Crawl para pesquisa em arquivos web em larga escala e extração de dados. Utiliza a API CDX Server, análise de registros WARC com warcio e o bucket S3 do Common Crawl para acesso a dados em massa.
Instalação
Notas de uso básico ou primeiros passos:
-
Os dados do Common Crawl são armazenados nos Conjuntos de Dados Públicos da Amazon Web Services. Todos os arquivos de dados e índices são gratuitos para download. Sinta-se à vontade para executar seu próprio servidor de índices ou analisar o índice offline.
-
Mais informações sobre o índice de URL no anúncio original. Para ajuda, visite o fórum de usuários do Common Crawl ou o servidor Discord. Veja também Primeiros Passos.