common-crawl - 如何从 CommonCrawl 检索页面的 HTML？

Question

假设我有：

• CC*.warc 文件的链接（以及文件本身，如果有帮助的话）；
• 抵消; 和
• 长度

如何获取该页面的 HTML 内容？

感谢您的时间和关注。

Answer 1

使用warcio很简单：

warcio extract --payload <file.warc.gz> <offset>

或者，使用 HTTP 范围请求获取 WARC 记录，然后在偏移量 0 处提取有效负载：

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 offset 开始，到 offset+length-1 结束。另请参阅获取 WARC 文件