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/