nhagar/CC-MAIN-2021-21_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-2021-21_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）。数据集分为训练集，共有大约5.98亿条记录，总大小为2.97GB。
This dataset contains web crawl information, including page content (crawl), the domain 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 598 million records, totaling a size of 2.97GB.
提供机构：
nhagar
