如何使用 HTTP for Common Crawl News Dataset 获取 WARC 文件列表？

问题描述

我可以通过以下方式获得 Common Crawl 的列表：

https://commoncrawl.s3.amazonaws.com/crawl-data/CC-MAIN-2017-09/wet.paths.gz

如何使用 Common Crawl News Dataset 执行此操作？

我尝试了不同的选项，但总是出错：

https://commoncrawl.s3.amazonaws.com/crawl-data/CC-NEWS-2017-09/warc.paths.gz

https://commoncrawl.s3.amazonaws.com/crawl-data/CC-NEWS/2017/09/warc.paths.gz

解决方法

由于每隔几个小时就会向新闻数据集中添加一个新的 WARC 文件，因此静态文件列表没有意义。相反，您可以使用 AWS CLI 获取文件列表 - 对于按年份或月份的任何子集，例如

aws --no-sign-request s3 ls --recursive s3://commoncrawl/crawl-data/CC-NEWS/2017/09/

另见news data release announcement。