如何解决从 CommonCrawl WET 格式读取特定记录
我正在尝试处理来自 CommonCrawl 的西班牙语文档。我得到了带有查询的文档“列表”:
SELECT warc_filename,content_mime_detected,content_charset
FROM ccindex
WHERE crawl = 'CC-MAIN-2021-25'
AND subset = 'warc'
AND contains(split(content_languages,','),'spa')
因为我不需要 HTML,只需要文本,所以我打算使用 WET 文件。所以,我知道我必须更改文件名:
val wetUrl = warcUrl
.replace("/warc/","/wet/")
.replace("warc.gz","warc.wet.gz")
并下载 WET 文件。我在 Scala 中使用 org.jwat.warc.WarcReaderFactory
。我的问题是:
除了遍历所有记录并按段号匹配之外,是否有更好的方法从 WET 格式中提取文档?
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。