Web wide crawl with initial seedlist and crawler configuration from March 2011. This uses the new HQ software for distributed crawling by Kenji Nagahashi.
What’s in the data set:
Crawl start date: 09 March, 2011
Crawl end date: 23 December, 2011
Number of captures: 2,713,676,341
Number of unique URLs: 2,273,840,159
Number of hosts: 29,032,069
The seed list for this crawl was a list of Alexa’s top 1 million web sites, retrieved close to the crawl start date. We used Heritrix (3.1.1-SNAPSHOT) crawler software and respected robots.txt directives. The scope of the crawl was not limited except for a few manually excluded sites.
However this was a somewhat experimental crawl for us, as we were using newly minted software to feed URLs to the crawlers, and we know there were some operational issues with it. For example, in many cases we may not have crawled all of the embedded and linked objects in a page since the URLs for these resources were added into queues that quickly grew bigger than the intended size of the crawl (and therefore we never got to them). We also included repeated crawls of some Argentinian government sites, so looking at results by country will be somewhat skewed.
We have made many changes to how we do these wide crawls since this particular example, but we wanted to make the data available “warts and all” for people to experiment with. We have also done some further analysis of the content.
If you would like access to this set of crawl data, please contact us at info at archive dot org and let us know who you are and what you’re hoping to do with it. We may not be able to say “yes” to all requests, since we’re just figuring out whether this is a good idea, but everyone will be considered.
Станете ни приятел във Facebook
В 24.00 ч на 31 март 1916 г. България преминава от Юлианския към Григорианския календар и вместо 1 април настъпва 14 април.
Космодрума "Байконур", Казахстан. На 10 април 1979 г. излита корабът "Союз 33" с първия български космонавт на борда Георги Иванов. Командир е Николай Рукавишников. Приземява се на 12 април 1979 г. 
Откритието поставя под съмнение широко разпространеното мнение, че Африка е родината на модерния човек
С ново сензационно откритие приключи археологическият сезон във Врачанско. Край село Оходен беше намерен най-старият храм на Слънцето на възраст 8 хилядолетия. Чрез наблюдения на небесното светило тук праисторическите хора се ориентирали кога е най-подходящото време за засяване и прибиране на реколтата, а също така принасяли и дарове за плодородие, съобщи БНТ.
Археолози разкриха, че са открили част от каменна брадва, датираща отпреди 35 000 години, върху свещена земя на аборигените в Австралия, най-старият предмет от този вид, откриван някога, съобщава АФП. Парчето камък, открито в тучните и отдалечени северни австралийски територии, има знаци, които доказват, че е част от древна каменна брадва, заяви Бруно Дейвид от австралийския университет Монаш.
61 години след откриване на Панагюрското съкровище изникват по-големи въпроси от този къде да се съхранява то - защо липсват документите за приемането на находката в пловдивския музей и чия собственост е тя? "Документи липсват не само в Министерството на културата, но и в архивите в Пловдив, липсват в Централния архив в София, в архива на БНБ", обяснява Павел Цветков, внук на един от откривателите. 
