nhagar/CC-MAIN-2014-49_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-2014-49_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）和网址出现的次数（url_count）。数据集仅包含训练集划分，共有约2532万多个样本，数据集总大小超过1GB。
The dataset contains web crawling information, with specific fields including page content (crawl), 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 only, containing over 25 million samples, with a total size of over 1GB.
提供机构：
nhagar
