问题描述
假设我有:
感谢您的时间和精力。
解决方法
使用warcio会很简单:
warcio extract --payload <file.warc.gz> <offset>
或者,使用HTTP范围请求获取WARC记录,然后提取偏移量为0的有效负载:
curl -s -r331727487-$((331727487+6613-1)) \
https://commoncrawl.s3.amazonaws.com/crawl-data/CC-MAIN-2020-40/segments/1600400203096.42/warc/CC-MAIN-20200922031902-20200922061902-00310.warc.gz \
>warc_temp.warc.gz
warcio extract --payload warc_temp.warc.gz 0
范围从偏移量开始,并以offset + length-1结束。另请参见getting WARC file