用python打开warc文件

Question

我正试图使用以下链接中的工具箱用python打开一个warc文件：http://warc.readthedocs.org/en/latest/

使用打开文件时

import warc
f = warc.open("00.warc.gz")

一切都很好，f对象是：

<warc.warc.WARCFile instance at 0x1151d34d0>

然而，当我试图使用读取文件中的所有内容时

for record in f:
     print record['WARC-Target-URI'], record['Content-Length']

出现以下错误：

Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "/Users/xxx/anaconda/lib/python2.7/site-packages/warc/warc.py", line 390, in         __iter__
record = self.read_record()
File "/Users/xxx/anaconda/lib/python2.7/site-packages/warc/warc.py", line 373, in read_record
header = self.read_header(fileobj)
File "/Users/xxx/anaconda/lib/python2.7/site-packages/warc/warc.py", line 331, in read_header
raise IOError("Bad version line: %r" % version_line)
IOError: Bad version line: 'WARC/0.18n'

这是因为我使用的warc工具箱不支持我的warc文件版本还是其他原因？

Answer 1

ClueWeb09数据集有WARC 0.18格式。然而，它有几个问题。有些记录格式不正确。

最普遍的问题是WARC标头中有一个额外的换行符。还有一些其他格式错误的标头的情况。

此外，它没有使用标准的\r\n行尾标记，这实际上是您的问题。

warc-clueweb库可以处理它。这是一个特殊的python库，用于处理ClueWeb09 warc文件。根据文件

只对原始库进行了小的修改。warc图书馆的原始文件仍然保存着

Answer 2

是的，感谢@睫毛对这个问题的解释。

事实上，Cleweb-09中的一些记录格式错误。但官方的warc库和上述推荐的git-reo-warc-clueweb库都存在一些问题。

这个fork-repo无法处理Clueweb12数据集，另一个问题是，在处理每个.warc.gz文件时，它可能会错过1-2个文档。

因此，我修改了一些代码以同时支持Clueeb09和Cluew12数据集。这是我的repo，它已经在1000亿页上进行了测试，我的warc工具从warc-clueweb库和官方repo分叉并更改。