问题描述
我是编程新手,正在尝试通过将WARC文件拆分为多个块并将每个块存储在字典中的方式来处理它。
每个块应以WARC / 1.0标头开头,并由3个空行分隔。我也想删除前两段:
WARC/1.0
WARC-Type: warcinfo
WARC-Date: 2020-08-04T01:43:40Z
WARC-Record-ID: <urn:uuid:959ea654-33fd-466b-b1bf-f08aa8abe774>
Content-Length: 500
Content-Type: application/warc-fields
WARC-Filename: CC-MAIN-20200804014340-20200804044340-00045.warc.gz
isPartOf: CC-MAIN-2020-34
publisher: Common Crawl
description: Wide crawl of the web for August 2020
operator: Common Crawl Admin (info@commoncrawl.org)
hostname: ip-10-67-67-22.ec2.internal
software: Apache Nutch 1.17 (modified,https://github.com/commoncrawl/nutch/)
robots: checked via crawler-commons 1.2-SNAPSHOT (https://github.com/crawler-commons/crawler-commons)
format: WARC File Format 1.1
conformsTo: http://iipc.github.io/warc-specifications/specifications/warc-format/warc-1.1/
#从这里开始保持一切:
WARC/1.0
WARC-Type: request
WARC-Date: 2020-08-04T03:25:25Z
WARC-Record-ID: <urn:uuid:6c0b749a-4d02-4a77-ab93-9bc4ba094cdc>
Content-Length: 303
Content-Type: application/http; msgtype=request
WARC-Warcinfo-ID: <urn:uuid:959ea654-33fd-466b-b1bf-f08aa8abe774>
WARC-IP-Address: 104.254.66.40
WARC-Target-URI: http://00.auto.sohu.com/d/details?cityCode=450100&planId=1450&trimId=145372
我尝试使用生成器对块进行分组,但是它返回一个组(整个文件)。有一种简单的方法可以将它们分开吗?
我无法导入任何库。
任何帮助将不胜感激!
解决方法
到目前为止,执行此任务的最佳方法是使用warcio库,该库知道如何将warc文件正确解析为记录。
除非如此,否则我将把warcio代码复制到您的代码中(许可证是允许的。)
Warc文件很复杂,使用经过充分测试和广泛使用的库是解析它们的正确方法。
如果您要从Common Crawl下载数据,我还建议您检出python软件包cdx_toolkit。它在后台使用warcio,并处理下载步骤。