2024年最新寻找海量数据集用于大数据开发实战(维基百科网站统计数据)，20天内看完这套GitHub标星18k+的大数据开发资料

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

在学习spark的过程中，除了经典的WrodCount例子（用于统计文本文件中的单词出现次数），我们也在寻找其他海量数据来做更多实战以提高自己，今天介绍的是一个海量数据集的下载方法，以及数据内容的简介；

关于维基百科网站统计数据

数据的下载页面地址：https://dumps.wikimedia.org/other/pagecounts-raw

1. 今天要下载的数据集就是维基百科的统计数据，如下图，有多个文件下载的连接，每个文件代表一个小时内所有wiki页面被点击的次数，红框中的文件名分为三部分，"20160801"代表统计的年月日，"030000"代表统计的是凌晨3点整到3点59分之间的页面访问情况：

2. 这个网站有2007年到2016年之间的统计数据，如下图，下载地址是：https://dumps.wikimedia.org/other/pagecounts-raw

使用迅雷的批量下载功能

这么多数据一个一个下载会很麻烦，可以通过迅雷的批量下载功能来减少工作量；

1. 如下图，在一个下载文件上点击鼠标右键，选择"复制链接地址"，即可取到此文件的下载地址：

2. 上述文件的下载地址为"https://dumps.wikimedia.org/other/pagecounts-raw/2016/2016-08/pagecounts-20160801-000000.gz"，根据这个我们能推测出20160801这一天其他23个小时的统计文件的地址，只要把"00000"改成"01000"、"02000"，找到了规律就可以用迅雷来做批量下载了；

3. 打开迅雷软件，如下图操作，点击红框1中的加号，在弹出的窗口点击红框2中的"添加批量任务"：

4. 如下图，在弹出的窗口中，将前面的url粘贴进去，然后将红框1中的两个"0"改成"(*)"，再把红框2中的数字改为23，然后点击下面的"确定"按钮：

5. 如下图，在弹出的窗口中，勾选红框中的"合并为任务组"，然后点击下面的"立即下载"按钮，即可开始下载：

6. 这样就把2016年8月1日的所有统计数据下载下来了，其他日期的数据也可以用此方法批量下载；

数据格式简介

1. 经过漫长等待终于将数据下载下来了，打开看看里面内容，如下所示：

aa.b User_talk:Sevela.p 1 5786

aa.b Wikidata 1 4654

aa.b Wikiquote 1 4658

aa.b Wikiversity 1 4655

aa.d Main_Page 1 5449

aa.d Special:Log/Rschen7754 1 5589

aa.d Special:WhatLinksHere/User:Rschen7754 1 5168

aa.d User:14.99.4.25 1 4761

aa.d User:88.5.75.89 1 4760

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新**

需要这份系统化资料的朋友，可以戳这里获取