如何从 CommonCrawl 中检索页面的 HTML？

Question

假设我有：

CC*.warc 文件的 link（以及文件本身，如果有帮助的话）；
偏移；和
长度

如何获取该页面的 HTML 内容？

感谢您的时间和关注。

Answer 1

使用 warcio 就是：

warcio extract --payload <file.warc.gz> <offset>

或者，使用 HTTP 范围请求获取 WARC 记录，然后在偏移量 0 处提取有效负载：

curl -s -r331727487-$((331727487+6613-1)) \
   https://commoncrawl.s3.amazonaws.com/crawl-data/CC-MAIN-2020-40/segments/1600400203096.42/warc/CC-MAIN-20200922031902-20200922061902-00310.warc.gz \
   >warc_temp.warc.gz
warcio extract --payload warc_temp.warc.gz 0

范围从offset开始，到offset+length-1结束。另见

如何从 CommonCrawl 中检索页面的 HTML？

How to retrieve the HTML of a page from CommonCrawl?

common-crawl