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)

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

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 |

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数大数据工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。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，基本涵盖了95%以上大数据开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加VX：vip204888 （备注大数据获取）

项目、讲解视频，并且后续会持续更新**

如果你觉得这些内容对你有帮助，可以添加VX：vip204888 （备注大数据获取）
[外链图片转存中…(img-NysqXXNL-1712896473715)]