问题描述
我目前正在解析 CommonCrawl 语料库中的 WARC 文件,我想预先知道有多少条记录,而无需遍历所有 WARC 记录。
WARC 1.1 标准是否定义了此类信息?
解决方法
WARC 标准没有定义一种标准方式来指示 WARC 文件本身中的 WARC 记录数。 Common Crawl WARC 文件中的响应记录数通常在 30,000 到 50,000 之间 - 请注意,还有请求和元数据记录。 WARC 标准建议使用 1 GB as target size of WARC files,它对记录数量设置了自然限制。