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)(2)

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新大数据全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

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

如果你需要这些资料，可以添加V获取：vip204888 （备注大数据）

正文

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

aa.d User:95.27.0.82 1 4762

2. 以第一行aa.b User_talk:Sevela.p 1 5786为例，这一行由空格字符分割成了四个字段：

| 内容 | 意义 |

| — | — |

| aa.b | 项目名称，".b"表示wikibooks |

| User_talk:Sevela.p | 网页的三级目录 |

| 1 | 一小时内的访问次数 |

| 5786 | 一小时内被请求的字节总数 |

上述内容可以还原为一个网址，如下图所示，对应的URL为：https://aa.wikibooks.org/wiki/User_talk:Sevela.p

关于"aa.b"如何映射成为一级域名"aa.wikibooks.org"，请参照这个网页中关于"domain_code"的描述：https://wikitech.wikimedia.org/wiki/Analytics/Archive/Data/Pagecounts-raw

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注大数据）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！