Tracking the Trackers

跟踪跟踪器是对万维网上第三方跟踪器的大规模分析。我们从CommonCrawl 2012语料库的35亿多个网页中提取第三方嵌入，并将这些嵌入汇总到包含4100万多个域中的1.4亿多个第三方嵌入的数据集中。我们提供了最近对web上第三方跟踪器的大规模分析中使用的数据。我们创建了一个提取器，用于从HTML页面中查找嵌入的第三方资源，并在CommonCrawl 2012 web爬网中包含的35亿网页上运行它。Tracking Trackers is a large-scale analysis of third-party trackers on the World Wide Web. We extract third-party embeddings from over 3.5 billion web pages in the CommonCrawl 2012 corpus, and aggregate these embeddings into a dataset containing over 140 million third-party embeddings across more than 41 million domains. We provide the data used in a recent large-scale analysis of third-party trackers on the web. We developed an extractor to identify embedded third-party resources from HTML pages, and ran it on the 3.5 billion web pages included in the CommonCrawl 2012 web crawl.

搜集汇总

背景与挑战

背景概述

该数据集是对万维网上第三方跟踪器的大规模分析，基于CommonCrawl 2012语料库的35亿网页提取了4100万域中的1.4亿第三方嵌入。它由柏林工业大学等机构于2016年发布，旨在提供网络跟踪研究的基准数据。