common-crawl

上传者: 42131861 | 上传时间: 2022-07-09 21:11:31 | 文件大小: 4.78MB | 文件类型: ZIP
推论网络的结构 该项目的目标是对网页的结构进行分类,并根据频率和领域信息汇总这些结构。 该项目将使网页的重点抓取成为可能,并将帮助研究人员以网络规模提取数据。 由于数据集的庞大性和非结构化性,我们计划使用Hadoop生态系统中的工具(带有Tez,Apache Hive和HBase的Apache Pig)。 具体来说,具有相似html布局的页面将具有相似的html组件。 因此,叶节点的文档对象模型(DOM)路径大致描述了组件在页面渲染中的可视位置。 通过专门针对四个主要的视觉组件(例如按钮,图像,链接和视频),将生成XPath表达式的集合。 然后将基于路径结构和域信息对这些对象进行分组,然后计算网页的频率。 数据集 该项目使用的数据集来自2015年5月的网络抓取(通用抓取),其中包含超过159 TB的数据和超过20.5亿个网页。 学分 创意积分: : Web存档数据积分:Common

文件下载

资源详情

( 119 个子文件 4.78MB ) common-crawl
resultXpaths.txt 4.06MB
warcload.pig 299B
combineElements.py 127B
scrap 821B
splitElements.py 176B
......
文件过多,未全部展示
[{"title":"( 119 个子文件 4.78MB ) common-crawl","children":[{"title":"resultXpaths.txt <span style='color:#111;'> 4.06MB </span>","children":null,"spread":false},{"title":"warcload.pig <span style='color:#111;'> 299B </span>","children":null,"spread":false},{"title":"combineElements.py <span style='color:#111;'> 127B </span>","children":null,"spread":false},{"title":"scrap <span style='color:#111;'> 821B </span>","children":null,"spread":false},{"title":"splitElements.py <span style='color:#111;'> 176B </span>","children":null,"spread":false},{"title":"......","children":null,"spread":false},{"title":"<span style='color:steelblue;'>文件过多,未全部展示</span>","children":null,"spread":false}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明
服务器状态检查中...