Posts、Users、Votes、Comments、Badges、PostHistory 和 PostLinks 数据。
您既可以下载预先准备好的 Parquet 版本数据,其中包含截至 2024 年 4 月的全部数据,也可以下载 XML 格式的最新数据并将其加载。Stack Overflow 会定期更新这些数据——历史上通常每 3 个月更新一次。
下图展示了 Parquet 格式下可用表的 schema。
有关这些数据的 schema 说明,请参见此处。
预先准备好的数据
eu-west-2 的 96 GiB、24 vCPU ClickHouse Cloud 集群。数据集位于 eu-west-3。
Posts
Votes
Comments
Users
Badges
PostLinks
PostHistory
原始数据集
stackoverflow.com*。
下载
转换为 JSON
xq 这个 Linux 工具将 XML 转换为 JSON,它是针对 XML 文档的简单 jq 封装。
安装 xq 和 jq:
stackoverflow.com-Posts.7z 文件为例,可按需调整。
使用 p7zip 解压该文件。解压后会得到一个 XML 文件,本例中为 Posts.xml。
这些文件的压缩比约为 4.5 倍。Posts 文件压缩后为 22GB,未压缩时约为 97GB。
posts.json 文件。
使用以下命令将其加载到 ClickHouse 中。请注意,这里为 posts.json 文件指定了 schema。你需要根据数据类型进行相应调整,使其与目标表一致。
示例查询
回答最多的用户 (活跃账号)
UserId。
争议最大的帖子
致谢
cc-by-sa 4.0 许可证提供这些数据,并感谢他们所做的努力;数据原始来源见 https://archive.org/details/stackexchange。