nhagar/CC-MAIN-2020-24_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-2020-24_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，具体字段包括网页内容（crawl）、网址的主机名（url_host_name）和网址的访问计数（url_count）。数据集仅包含训练集分割，样本数量庞大，达到了61341609个，数据集大小为3GB。该数据集适用于网页内容分析、主机名分析以及访问频率分析等领域。
This dataset contains web crawling information, with fields including web page content (crawl), URL host name (url_host_name), and URL access count (url_count). The dataset is split into only a training set, with a large number of samples, totaling 61,341,609, and the dataset size is 3GB. This dataset is suitable for web content analysis, host name analysis, and access frequency analysis.
提供机构：
nhagar
