Hacktoberfest 2026: những issue maintainer đã đánh dấu cho tháng Mười, đang mở và phù hợp người mới. Xem issue Hacktoberfest

Crawling curated list of sites: Data Sourcing Candidate seeds spreadsheet

Đang mở
  • Có gì không ổn?
#299 0 bình luận 0 reaction 0 người được giao Xem trên GitHub

Chưa có ai nhận issue này.

Đánh giá

Độ khó
5/5
Thời gian dự kiến
Hơn một tuần
Mức phù hợp với người mới
25/100
Loại issue
Tính năng
Độ rõ ràng
Khá rõ ràng
Mức độ hoạt động
Đình trệ
Công nghệ
html
Lĩnh vực
data-engineering, web-dev

Hướng nghiên cứu

Bắt đầu với bảng tính «BigScience Data Sourcing Participants» được liên kết và các yêu cầu lọc CommonCrawl/WARC. Xác định các chỉ số cần thu thập cho từng domain, lượng nội dung WARC tối thiểu cần giữ lại và đích của dataset trên Hugging Face. Được xem là hoàn tất khi các domain đã chọn đã được xử lý, các chỉ số đã được báo cáo và các bản ghi liên quan đã được tải lên cùng với thông tin URL được yêu cầu.

Do mô hình lập chỉ mục viết ra từ nội dung của issue.

Mô tả

data catalog

We want to be able to obtain all web and media content associated with a specific list pre-identified domain names.

This issue tracks potential crawling seeds identified BigScience Data Sourcing Participants, primarily in Spanish and SEA English (and three Chinese).

The steps to follow are:

  1. filter the CommonCrawl (or another archive) for all WARC records with one of the given domain names
  • filtering all dumps form the last two years
  1. obtain overall metrics and metrics per domain name
  • page counts, content languages, content types, etc.
  1. upload all of the relevant WARC records for each domain name to a HF dataset in the BigScience Catalogue Data Organization
  • minimal filtering of WARC records to include human-readable pages AND pages that reference links to objects we want to download (e.g. PDFs)
  • Extract the HTML tags corresponding to all URLs in the WARC entries
  • optional: post-process the above list to identify outgoing links, extract their domain name, and content type
  • optional: run text extraction

In particular, the list of domain names mentioned in outgoing link may be used to obtain a "depth 1 pseudo-crawl" by running the same process again

cc @sebastian-nagel

Ngôn ngữ chính
HTML
Star
91
Fork
47
Không có pull request nào được merge trong 30 ngày

Chuẩn bị môi trường

Dự án này không cung cấp dev container, Dockerfile hay hướng dẫn đóng góp, nên bạn cần tự thiết lập môi trường: hãy bắt đầu từ README và xem hướng dẫn đóng góp lần đầu của chúng tôi để biết các bước chung.

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của bigscience-workshop/data_tooling

Tất cả issue của bigscience-workshop/data_tooling

Issue tương tự

Thêm issue về Data Engineering

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.