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
Огромен брой военни - близо 22 000, и военна техника участваха във военния парад на Червения площад в Москва по случай Деня на победата над Хитлеристка Германия. Парадът започна с тържественото изнасяне на флага на Русия и на знамето на победата, предаде ИТАР-ТАСС, цитирана от "Фокус" и БТА. 
Кайро. Най-малко осем души са загинали, а над 100 са ранени при сблъсъци между християни и мюсюлмани в египетската столица Кайро, предаде АФП. След инцидента армията обеща да накаже отговорните за възникналите в събота стълкновения.
Според съдебното решение световният интернет гигант няма право да използва текстове и снимки от белгийските медии в своите новинарски услуги. Апелативният съд в Брюксел потвърди решението на по-ниска инстанция, че световният интернет гигант "Гугъл" няма право да използва текстове и снимки от белгийските медии в своите новинарски услуги. Последното съдебно решение потвърждава съдебни определения от 2006 г. и 2007 г.
Турският държавен надзорен орган, следящ работата на медиите и телекомуникационните компании, забрани използването в интернет на стотина отделни думички, съобщава "Дойче веле". Наред с такива като порно, секс, полов(и) орган(и), полово сношение и т.н. в списъка със забранените за използване в интернет-пространството думи са и английските teen, mature, girl, fire, animal, beat, blonde и escort. Но така също и турски думи със следното значение - мащеха, снаха, гол, възрастен и горещ не могат да бъдат използвани вече свободно. Забранена е също употребата на думата забрана.
Вашингтон. Изслушването на командосите, участвали в операцията срещу лидера на „Ал Кайда”, Осама бин Ладен, е дало по-точна представа за хода на акцията, извършена в нощта на неделя срещу понеделник в пакистанския град Аботабад, предаде АФП. Няколко хеликоптера със 79 американски военни, предимно „Морски тюлени”, са се приближили към резиденцията на Осама бин Ладен, прелитайки през зона, намираща се под покритието на радарите.
