Posts, Users, Votes, Comments, Badges, PostHistory et PostLinks de Stack Overflow.
Vous pouvez soit télécharger des versions Parquet des données préparées à l’avance, couvrant l’ensemble des données jusqu’en avril 2024, soit télécharger les données les plus récentes au format XML et les charger. Stack Overflow fournit périodiquement des mises à jour de ces données — historiquement, tous les 3 mois.
Le diagramme suivant présente le schéma des tables disponibles au format Parquet.
Une description du schéma de ces données est disponible ici.
Données prépréparées
eu-west-2. Le jeu de données se trouve dans eu-west-3.
Posts
Votes
Comments
Users
Badges
PostLinks
PostHistory
Jeu de données d’origine
stackoverflow.com*.
Télécharger
Convertir en JSON
xq, un simple wrapper autour de jq pour les documents XML.
Installez xq et jq :
stackoverflow.com-Posts.7z à titre d’exemple. Modifiez selon vos besoins.
Extrayez le fichier à l’aide de p7zip. Cela produira un seul fichier XML — dans ce cas, Posts.xml.
Les fichiers sont compressés à environ 4,5x. Avec 22 Go compressés, le fichier Posts nécessite environ 97 Go non compressés.
posts.json.
Chargez ce fichier dans ClickHouse à l’aide de la commande suivante. Notez que le schéma est spécifié pour le fichier posts.json. Il devra être ajusté en fonction du type de données afin de correspondre à la table cible.
Exemples de requêtes
Utilisateur ayant le plus de réponses (comptes actifs)
UserId.
Posts les plus controversés
Attribution
cc-by-sa 4.0, et reconnaissons leurs efforts ainsi que la source originale des données : https://archive.org/details/stackexchange.