如何解决如何从CommonCrawl检索页面的HTML?
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
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。