Descărcați datele din directorul Curlie

Curlie.org este cel mai vast şi mai comprehensiv director de pe Web, editat de către oameni. Directorul nostru menținut de comunitate este curatoriat de editori pasionați și conține numai site-uri web de înaltă calitate, fără spam.

Câte un site web este încadrat în una sau mai multe categorii, iar categoriile în sine sunt organizate în formă de arbore pentru a acoperi toate subiectele care interesează omenirea. În consecință, Curlie conține un număr impresionant de 2,9 milioane de intrări bine structurate!

Puteți descărca datele din directorul Curlie sub o licență Open Source. Utilizați datele, de exemplu, pentru a vă construi propriul director web de nișă fără spam, motor de căutare sau expert în inteligență artificială!

Parteneri

Pentru a face posibilă descărcarea directorului Curlie, ne-am asociat cu Leibniz Supercomputing Centre (LRZ) și OpenWebSearch.eu.

Licență

Licența Open Source și condițiile de atribuire pentru descărcarea datelor din directorul Curlie sunt detaliate pe pagina licență.

Datele din descărcare

Descărcarea conține ierarhia categoriilor, categoriile și site-urile web. Pentru site-urile web, există adresa URL, titlul și descrierea editorială. Pentru fiecare categorie, există titlul, descrierea și locul său în arborele categoriilor. 45.000 de categorii (orașe, de exemplu) au și coordonate geografice.

Formatul fișierului

Arhiva de descărcare este comprimată tar/gzip, utilizați un instrument precum tar sau 7zip pentru a o despacheta.

Formatul fișierului (set de caractere UTF8) este pur și simplu tab-separated values (TSV, o variantă a CSV). Pentru a vă familiariza cu datele, puteți vizualiza fișierele cu un editor de text. De asemenea, este ușor să le încărcați în coloanele programului dvs. de foaie de calcul. Potrivirea intrărilor pe site (fișiere *-c.tsv) cu categoriile (fișiere *-s.tsv) se realizează prin intermediul ID-urilor.

Aflați mai multe detalii despre formatul fișierului din fișierul Readme care este inclus în descărcare.