Find centralized, trusted content and collaborate around the technologies you use most.
Teams
Q&A for work
Connect and share knowledge within a single location that is structured and easy to search.
我目前正在从 CommonCrawl 语料库中解析 WARC 文件,并且我想预先知道有多少条记录,而无需遍历所有 WARC 记录。
WARC 1.1 标准是否定义了此类信息?
WARC 标准没有定义一种标准方式来指示 WARC 文件本身中的 WARC 记录数。Common Crawl WARC 文件中的响应记录数量通常在 30,000 到 50,000 之间 - 请注意,还有请求和元数据记录。WARC 标准建议将1 GB 作为 WARC 文件的目标大小,这对记录数进行了自然限制。