Common CrawlInputFormat 配送实现

commoncrawl 源码库是用于 Hadoop 的自定义 InputFormat 配送实现。

Common Crawl 提供一个示例程序 BasicArcFileReaderSample.java (位于 org.commoncrawl.samples) 用来配置 InputFormat。

该库提供了支持代码，用于使用S3上存储的Common Crawl Corpus RAW爬行数据（ARC文件）。有关如何访问语料库的更多信息，请参见https://commoncrawl.atlassian.net/wiki/display/CRWL/About+the+Data+Set。

您可以采取两条主要途径来使用ARC File内容：

（1）您可以在EC2上运行Hadoop集群，也可以使用EMR运行Hadoop作业。在这种情况下，您可以使用ARCFileInputFormat将数据驱动到映射器/缩减器。InputFormat有两种版本：一种是为符合弃用的mapred包而编写的，位于org.commoncrawl.hadoop.io.mapred，另一种是为mapreduce包而编写的，其相应地位于org.commoncrawl.hadoop.io.mapreduce。

（2）您可以通过将InputStream输入到org.commoncrawl.util.shared包中的ARCFileReader类来直接解码数据。

两种路由（InputFormat或ARCFileReader直接路由）都生成一个元组，该元组由UTF-8编码的URL（文本）和原始内容（BytesWritable）（包括HTTP标头）组成，这些内容由搜寻器下载。HTTP标头是UTF-8编码的，标头和内容由一组连续的CRLF令牌定界。内容本身是文本mime类型时，将使用源文本编码进行编码。