好吧，这个问题听起来可能很愚蠢，但我做了几个小时的研究来找到解决方案，但如果有人知道，我做不到，那太好了！！！
我成功读取了 arc 文件（来自 commoncrawl 数据集）。随着arcHeader.getUrl();我得到所有的网址。但是我不明白，是否存在来自该特定 URL 的“传出”链接，如果存在，如何获取这些链接？
[PS] 通过“传出”，我的意思是，在整个页面中，它包含哪个 URL，例如广告、内容等。该 commoncrawl arc 文件是否包含，如果是，如何获取这些？
提前致谢！
编辑：我解决了这个问题，阅读了 HTML 内容并得到了所有！没那么难！