使用 Common Crawl 的網頁資料｜Access Web Archive Data with Common Crawl Client

此（neil-zt/common-crawl-client）為一個公開的 GitHub repository，IASL 如果有人需要使用可以直接複製，有問題請聯絡 [email protected]。

For English instructions, go to driver.ipynb.
本 README 檔案內容可在 driver-zh.ipynb 中執行。

環境建置

安裝 Dependencies

pip install pandas
pip install comcrawl 
pip install beautifulsoup4

更新 comcrawl 中的程式

Common Crawl 組織在過去幾年內更新了他們的檔案下載連結，但 comcrawl 似乎因沒有被更新而無法下載 Common Crawl 的資料。請前往 comcrawl 函式庫所謂在的資料夾（如果使用的是 VS Code，可按住 ctrl 或 command，將滑鼠移動到 from comcrawl import IndexClient 中的 comcrawl 上並點擊）。接著請開啟 utils/download.py，並將下列的程式更新到對應的函式/變數名稱上：

• download_multiple_results

  def download_multiple_results(results: ResultList, threads: int = None) -> ResultList:
    # multi-threaded download
    if threads:
        multithreaded_download = make_multithreaded(download_single_result, threads)
        results_with_html = multithreaded_download(results)
    # single-threaded download
    else:
        for result in results:
            success = False
            while not success:
                try:
                    result_with_html = download_single_result(result)
                    results_with_html.append(result_with_html)
                    success = True
                except Exception as e:
                    print("Library Error: download_single_result failed, retrying...")
    return results_with_html

• URL_TEMPLATE

  https://data.commoncrawl.org/{filename}

使用方法

1. 指定資料的位置與時間
   在下列設定 time_code 和 searching_uri。time_code 可從 Common Crawl 的官網列表獲得。

   time_code = "2022-05"
   searching_uri = "www.cna.com.tw/news/afe/*"

2. 載入需要的函式庫

   from comcrawl import IndexClient
   import pandas as pd
   import os

3. 建立下載後存放資料的資料夾

   searching_uri_dir = searching_uri.replace("/", "-").replace("*", "-all")
   if not os.path.exists("output"):
       os.makedirs("output")
   if not os.path.exists(f"output/{time_code}"):
       os.makedirs(f"output/{time_code}")
   if not os.path.exists(f"output/{time_code}/{searching_uri_dir}"):
       os.makedirs(f"output/{time_code}/{searching_uri_dir}")

4. 獲取目標在 Common Crawl 資料庫中的 Index
   需要注意的是，Common Crawl Index Server 時常有著龐大的負載，因此多數時候會發生 504 timeout 的問題。此處的解決方法是不斷嘗試呼叫其伺服器直到收到回覆為止。

   client = IndexClient([time_code], verbose=True)
   success = False
   while not success:
       try:
           client.search(searching_uri)
           client.results = (pd.DataFrame(client.results)
                           .sort_values(by="timestamp")
                           .drop_duplicates("urlkey", keep="last")
                           .to_dict("records"))
           pd.DataFrame(client.results).to_csv(f"output/{time_code}/{searching_uri_dir}/index.csv", index=False)
           success = True
       except:
           print("Index Server Response Timeout. Retrying...")

5. 下載目標檔案
   這個步驟可能會要下載數千至數十萬個網頁資料，除了需要預先確認記憶體大小能夠負荷外，另請注意其可能花費數個小時。

   success = False
   while not success:
       try:
           client.download()
           success = True
       except:
           print("Download Server Error. Retrying...")

6. 將網頁中的文章解析出來
   下列提供的為很通略的文章擷取方法。如果要爬特定的網頁，可能需要特別設計擷取的步驟。前往 /web_parse.py 以編輯之。

   from web_parse import extract_main_paragraphs
   for result in client.results:
       extracted_text = extract_main_paragraphs(result["html"])
       if len(extracted_text) < 100:
           continue
       with open(f"output/{time_code}/{searching_uri_dir}/{result['urlkey'].replace('/', '-')}.txt", "w") as f:
           f.write(extracted_text)