common-crawl - 从 Common Crawl 索引服务器获取 WAT 存档子集的偏移量和长度

Question

我想从 Amazon S3 下载 WAT 存档段的子集。

背景:

搜索 http://index.commoncrawl.org 处的 Common Crawl 索引会生成包含有关 AWS S3 上 WARC 文件位置信息的结果。例如，搜索 url=www.celebuzz.com/2017-01-04/*&output=json 会产生 JSON 格式的结果，其中之一是


{
“urlkey”:“com，celebuzz)/2017-01-04/watch-james-corden-george-michael-tribute”，
...
“文件名”:“爬网数据/CC-MAIN-2017-34/segments/1502886104631.25/warc/CC-MAIN-20170818082911-20170818102911-00023.warc.gz”，
...
“偏移量”:“504411150”，
“长度”:“14169”，
...
}


filename 条目指示哪个归档段包含该特定页面的 WARC 文件。这个存档文件很大；但幸运的是，该条目还包含 offset 和 length 字段，它们可用于请求包含存档段相关子集的字节范围(例如，参见 lines 22-30 in this gist ) .

我的问题:

给定 WARC 文件段的位置，我知道如何构造相应的 WAT 归档段的名称(例如，参见 this tutorial )。我只需要 WAT 文件的一个子集，因此我想请求一定范围的字节。但是如何找到WAT归档段对应的偏移量和长度呢？

我已经检查了 Common Crawl 索引服务器的 API documentation，但我不清楚这是否可能。但如果是的话，我会发布这个问题。

Answer 1

通用爬网索引不包含 WAT 和 WET 文件的偏移量。因此，唯一的方法是在整个 WAT/WET 文件中搜索所需的记录/URL。最终，可以估计偏移量，因为 WARC 和 WAT/WET 文件中的记录顺序是相同的。