#encoding=gbk

CWT70th说明

organized by SEWM Group
last updated on Jan 5, 2008

--------
采样过程

- 用训练集做种子，抓取四层网页，
在2008年1月搜集中国范围内71,502个网页

-----------------------------------
CWT70th中的URL列表,共计71,502个

cwt_quark_70thousand.dat: 网页数据文件
是用天网格式保存的，顺序读取天网格式文件中网页数据的程序在
http://www.cwirf.org/SharedRes/Tool/TWReader.060416-2126.Linux.tgz

cwt_quark_70thousand_url_no.0-71501.gz: 网页编号文件
文件格式：
每个url一行，url和编号之间用tab键分开。 
e.g.
http://book.poptang.com/        CWTquark080103-00000000
http://book.poptang.com/include/ad.html CWTquark080103-00000001
http://book.poptang.com/include/ad4.html        CWTquark080103-00000002

-----------------------------------