nhagar/CC-MAIN-2013-20_urls
收藏官方服务：
资源简介：
这是一个包含网页抓取信息的数据集，具体包括网页内容（crawl）、网址的主机名（url_host_name）和网址的出现次数（url_count）。数据集划分为训练集，共有约2469万个样本，文件大小为1.29GB。
This dataset includes web crawling information, specifically the web page content (crawl), the host name of the URL (url_host_name), and the occurrence count of the URL (url_count). The dataset is split into a training set with approximately 24.69 million samples, totaling 1.29GB in size.
提供机构：
nhagar
