Common Crawl

von | 11. August 2020 | Blog, Datenpool, Open Data, Projekte, Software

Die Common Crawl Foundation ist eine in Kalifornien 501(c)(3) eingetragene gemeinnützige Stiftung, die von Gil Elbaz mit dem Ziel gegründet wurde, den Zugang zu Web-Informationen zu demokratisieren, indem sie ein offenes Repository von Web-Crawl-Daten erstellt und pflegt, das allgemein zugänglich und analysierbar ist.

Ihre Vision ist ein wirklich offenes Web, das einen offenen Zugang zu Informationen ermöglicht und größere Innovation in Forschung, Wirtschaft und Bildung ermöglicht. Die Stiftung möchte Wettbewerbsbedingungen verbessern, indem sie die Extraktion, Transformation und Analyse von Webdaten im großen Maßstabgünstig und einfach macht.

Das Common-Crawl-Korpus enthält Petabytes von Daten, die über 8 Jahre Web-Crawling gesammelt wurden. Das Korpus enthält rohe Webseitendaten, Metadaten- und Textauszüge. Common-Crawl-Daten werden auf den öffentlichen Datensätzen von Amazon Web Services und auf mehreren akademischen Cloud-Plattformen auf der ganzen Welt gespeichert.

Der Zugriff auf das von Amazon gehostete Common-Crawl-Korpus ist kostenlos. Sie können die Cloud-Plattform von Amazon verwenden, um Analyseaufträge direkt gegen sie auszuführen, oder Sie können Teile oder das gesamte Korpus herunterladen.Mit dem Common Crawl URL Index. kann nach Seiten gesucht werden.

-> zu commoncrawl.org

Damian Paderta

Damian Paderta

ich bin Webgeograph & Digitalberater und beschäftige mich mit Open Government, Open Data, Open Knowledge, Open Source und Open Science. Um die Informationen zu diesen Themen zu bündeln habe ich das Portal openall.info ins Leben gerufen.

 

weitere Artikel

Open Economics Guide

Open Economics Guide

Der Open Economics Guide ist die zentrale Anlaufstelle für Forschende im Bereich der Wirtschaftswissenschaften. Der Open Economics Guide gibt einen Überblick über Open Science, praxisnahe Orientierung und Anleitungen, unter anderem mit: einem leicht verständlichen...

Sherpa Juliet

Sherpa Juliet

Sherpa Juliet ermöglicht es Forschern und Bibliothekaren, die Bedingungen der Geldgeber für Open-Access-Publikationen einzusehen. Sherpa Juliet ist eine durchsuchbare Datenbank und eine zentrale Anlaufstelle für aktuelle Informationen über die Politik von...