O que Miner de Índice de URL do Common Crawl faz?
Consulta a API do Índice do Common Crawl e as coleções CC-MAIN para revelar cobertura histórica de URL, tipos MIME e snapshots de rastreamento em escala. Útil para fluxos de pesquisa que precisam de amplo recall da web sem construir um rastreador completo do zero.
Instalação
Use o caminho de instalação ou configuração upstream que corresponda ao seu ambiente:
- 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 e ressalvas do upstream:
-
Construir e executar usando Docker
- Um Dockerfile é fornecido para compilar o projeto e executar o job Spark em um contêiner Docker.
- constroi a imagem Docker:
Notas de uso básico ou primeiros passos:
-
Este projeto fornece um conjunto abrangente de consultas de exemplo (SQL) e também código Java para buscar e processar os registros WARC correspondentes a uma consulta SQL.
-
Execute mvn spotless:check e mvn spotless:apply, veja o guia Maven do Spotless. As regras de formatação Java estão definidas em [eclipse-formatter.xml](eclips...
-
execute a ferramenta de conversão de tabela, aqui mostrando a ajuda da linha de comando (--help):
-
Extraído da documentação upstream: https://raw.githubusercontent.com/commoncrawl/cc-index-table/HEAD/README.md