2

我是编程新手，正在尝试通过将 WARC 文件拆分成块然后将每个块存储在字典中来处理它。

每个块应以 WARC/1.0 标头开头，并由 3 个空行分隔。我还想删除前 2 段：

WARC/1.0
WARC-Type: warcinfo
WARC-Date: 2020-08-04T01:43:40Z
WARC-Record-ID: <urn:uuid:959ea654-33fd-466b-b1bf-f08aa8abe774>
Content-Length: 500
Content-Type: application/warc-fields
WARC-Filename: CC-MAIN-20200804014340-20200804044340-00045.warc.gz

isPartOf: CC-MAIN-2020-34
publisher: Common Crawl
description: Wide crawl of the web for August 2020
operator: Common Crawl Admin (info@commoncrawl.org)
hostname: ip-10-67-67-22.ec2.internal
software: Apache Nutch 1.17 (modified, https://github.com/commoncrawl/nutch/)
robots: checked via crawler-commons 1.2-SNAPSHOT (https://github.com/crawler-commons/crawler-commons)
format: WARC File Format 1.1
conformsTo: http://iipc.github.io/warc-specifications/specifications/warc-format/warc-1.1/

#让一切从这里开始：

WARC/1.0
WARC-Type: request
WARC-Date: 2020-08-04T03:25:25Z
WARC-Record-ID: <urn:uuid:6c0b749a-4d02-4a77-ab93-9bc4ba094cdc>
Content-Length: 303
Content-Type: application/http; msgtype=request
WARC-Warcinfo-ID: <urn:uuid:959ea654-33fd-466b-b1bf-f08aa8abe774>
WARC-IP-Address: 104.254.66.40
WARC-Target-URI: http://00.auto.sohu.com/d/details?cityCode=450100&planId=1450&trimId=145372

我尝试使用生成器对块进行分组，但它返回一组（整个文件）。有没有简单的方法来分离这些？

我无法导入任何库。

任何帮助将不胜感激！！

4

1 回答 1

1

到目前为止，完成这项任务的最佳方法是使用 warcio 库，它知道如何正确地将 warc 文件解析为记录。

除此之外，我会将warcio代码复制到您的代码中（许可证是允许的。）

Warc 文件很复杂，使用经过全面测试和广泛使用的库是解析它们的正确方法。

如果您从 Common Crawl 下载数据，我还建议您查看我的 python 包 cdx_toolkit。它在后台使用warcio，并处理下载步骤。

于 2020-10-06T19:56:33.920 回答