Posts, Users, Votes, Comments, Badges, PostHistory e PostLinks do Stack Overflow.
Você pode baixar versões Parquet dos dados já preparadas, contendo todas as postagens até abril de 2024, ou baixar os dados mais recentes em formato XML e carregá-los. O Stack Overflow fornece atualizações desses dados periodicamente — historicamente, a cada 3 meses.
O diagrama a seguir mostra o esquema das tabelas disponíveis, considerando o formato Parquet.
Uma descrição do esquema desses dados pode ser encontrada aqui.
Dados pré-preparados
eu-west-2. O conjunto de dados está em eu-west-3.
Posts
Votos
Comments
Users
Badges
PostLinks
PostHistory
Dataset original
stackoverflow.com*.
Baixar
Converter para JSON
xq, um wrapper simples do jq para documentos XML.
Instale o xq e o jq:
stackoverflow.com-Posts.7z como exemplo. Modifique conforme necessário.
Extraia o arquivo usando p7zip. Isso gerará um único arquivo XML — neste caso, Posts.xml.
Os arquivos são compactados em uma proporção de aproximadamente 4,5x. Com 22 GB compactados, o arquivo de posts requer cerca de 97 GB descompactados.
posts.json.
Carregue-o no ClickHouse com o comando a seguir. Observe que o esquema foi especificado para o arquivo posts.json. Isso precisará ser ajustado para cada tipo de dado, para corresponder à tabela de destino.
Consultas de exemplo
Usuário com mais respostas (contas ativas)
UserId.
Posts mais polêmicos
Atribuição
cc-by-sa 4.0, reconhecendo seus esforços e a fonte original dos dados em https://archive.org/details/stackexchange.