--- language: - ms --- * website: [jurnal-malaysia](https://jurnal-malaysia.com/) * Number of pages scraped: 20 * Number of posts scraped: 1938 * Link to dataset on [Huggingface](https://huggingface.c

Hugging Face2023-11-04 更新110

KathirKs/CC-MAIN-2017-22_row_wise_20241007_162941

网络爬虫

数据挖掘

该数据集包含文本内容、唯一标识符和元数据三个主要特征。文本内容为字符串序列，唯一标识符为字符串类型，元数据包含dump、file_path、id和url四个子字段，均为字符串类型。数据集分为一个训练集，包含1,688,855个样本，总大小为20,446,020,473字节。下载大小为7,685,259,506字节。数据集的配置文件名为default，数据文件路径为data/train-*。

Hugging Face2024-10-07 更新200

nhagar/CC-MAIN-2017-34_urls

网络爬虫

URL分析

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）、网页主机名（url_host_name）和网页计数（url_count）三个字段。数据集分为训练集，包含大量样本，可用于网页内容分析、主机名分析等任务。

Hugging Face2025-05-15 更新120