Java查询CommonCrawl以填充数字对象标识符数据库

Question

我正在尝试创建一个在互联网上找到的数字对象标识符(DOI)数据库。

通过手动搜索CommonCrawl索引服务器，取得了一些有希望的结果。

然而，我希望制定一个方案性的解决办法。

这可能导致我的过程只需要读取索引文件，而不需要读取底层WARC数据文件。

我希望自动化的手动步骤如下：

1)。对于每个当前可用的CommonCrawl索引集合：

2)。我搜索. "Search a url in this collection: (Wildcards -- Prefix: http://example.com/* Domain: *.example.com)“例如link.springer.com/*

3)。这将返回几乎6MB的json数据，其中包含大约22K的唯一DOIs。

如何浏览所有可用的CommonCrawl索引而不是搜索以寻找特定的URL？

通过阅读CommonCrawl的API文档，我无法看到如何浏览所有索引来提取所有域的所有DOIs。

更新

我找到了这个示例java代码https://github.com/Smerity/cc-warc-examples/blob/master/src/org/commoncrawl/examples/S3ReaderTest.java。

它显示了如何访问公共爬行数据集。

然而，当我运行它时，我会收到这个异常。

"main" org.jets3t.service.S3ServiceException: Service Error Message. -- ResponseCode: 404, ResponseStatus: Not Found, XML Error Message: <?xml version="1.0" encoding="UTF-8"?><Error><Code>NoSuchKey</Code><Message>The specified key does not exist.</Message><Key>common-crawl/crawl-data/CC-MAIN-2016-26/segments/1466783399106.96/warc/CC-MAIN-20160624154959-00160-ip-10-164-35-72.ec2.internal.warc.gz</Key><RequestId>1FEFC14E80D871DE</RequestId><HostId>yfmhUAwkdNeGpYPWZHakSyb5rdtrlSMjuT5tVW/Pfu440jvufLuuTBPC25vIPDr4Cd5x4ruSCHQ=</HostId></Error>

事实上，我试图读取的每个文件都会导致相同的错误。为什么会这样呢？

对于他们的数据集，正确的普通爬行器是什么？

Answer 1

要使示例代码工作，请将第24和第25行替换为：

String fn = "crawl-data/CC-MAIN-2013-48/segments/1386163035819/warc/CC-MAIN-20131204131715-00000-ip-10-33-133-15.ec2.internal.warc.gz";
S3Object f = s3s.getObject("commoncrawl", fn, null, null, null, null, null, null);

还请注意公共爬虫组有更新的示例。

Answer 2

数据集位置自一年多以来已经发生了变化，参见公告。然而，许多示例和库仍然包含旧的指针。您可以在s3://commoncrawl/cc-index/collections/CC-MAIN-YYYY-WW/indexes/cdx-00xxx.gz上访问所有爬行的索引文件--将YYYY-WW替换为爬行的年份和周，并将xxx扩展到000299以获取所有300个索引部分。新的爬行数据将在公共爬行群上公布，或者阅读更多关于如何访问数据的信息。