nhagar/CC-MAIN-2023-50_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-2023-50_urls
下载链接
链接失效反馈官方服务：
资源简介：
该数据集包含网页抓取信息，具体字段包括网页内容（crawl）、网址的主机名（url_host_name）以及网址出现的次数（url_count）。数据集划分为训练集，包含大约6514万5千7百个样本，文件大小为3GB。
The dataset includes web crawl information, with fields consisting of page content (crawl), the domain name of the URL (url_host_name), and the count of URL occurrences (url_count). The dataset is split into a training set, containing approximately 65,145,700 samples, with a file size of 3GB.
提供机构：
nhagar
