nhagar/CC-MAIN-2020-34_urls
收藏Hugging Face2025-05-15 更新2025-02-15 收录
下载链接：
https://hf-mirror.com/datasets/nhagar/CC-MAIN-2020-34_urls
下载链接
链接失效反馈官方服务：
资源简介：
这是一个包含网页抓取信息的数据集，具体特征包括网页的抓取内容（crawl）、网址的主机名（url_host_name）以及网址的出现次数（url_count）。数据集分为训练集，包含超过六千万的样本，数据集总大小约为3GB。
This dataset includes web crawling information, with specific features such as the content of the web page (crawl), the hostname of the URL (url_host_name), and the occurrence count of the URL (url_count). The dataset is split into a training set, containing over sixty million samples, with a total size of approximately 3GB.
提供机构：
nhagar
