公开的海量数据集 Public Research-Quality Datasets

阅读更多

海量数据（又称大数据）已经成为各大互联网企业面临的最大问题，如何处理海量数据，提供更好的解决方案，是目前相当热门的一个话题。类似MapReduce、 Hadoop等架构的普遍推广，大家都在构建自己的大数据处理，大数据分析平台。

相应之下，目前对于海量数据处理人才的需求也在不断增多，此类人才可谓炙手可热！越来越多的开发者把目光转移到海量数据的处理上。但是不是所有人都能真正接触到，或者有机会去处理海量数据的，所以就需要一些公开的海量数据集来研究。

在Quora上有人就问到，如何获取海量数据集。此问题得到了很多人的关注。具体可以看看回答，数据集的种类多种多样，有化学分析，基因遗传等等，从中你肯定能得到自己想要个数据集。
Where can I get large datasets open to the public?

首先说说几个收集数据集的网站：
1、Public Data Sets on Amazon Web Services (AWS)
http://aws.amazon.com/datasets
Amazon从2008年开始就为开发者提供几十TB的开发数据。

2、Yahoo! Webscope
http://webscope.sandbox.yahoo.com/index.php

3、Konect is a collection of network datasets
http://konect.uni-koblenz.de/

4、Stanford Large Network Dataset Collection
http://snap.stanford.edu/data/index.html

再就是说说几个跟互联网有关的数据集：
1、Dataset for "Statistics and Social Network of YouTube Videos"
http://netsg.cs.sfu.ca/youtubedata/

2、1998 World Cup Web Site Access Logs
http://ita.ee.lbl.gov/html/contrib/WorldCup.html
这个是1998年世界杯期间的数据集。从1998/04/26 到 1998/07/26 的92天中，发生了 1,352,804,107次请求。

3、Page view statistics for Wikimedia projects
http://dammit.lt/wikistats/

4、AOL Search Query Logs - RP
http://www.researchpipeline.com/mediawiki/index.php?title=AOL_Search_Query_Logs

5、livedoor gourmet
http://blog.livedoor.jp/techblog/archives/65836960.html

海量图像数据集：
1、ImageNet
http://www.image-net.org/
包含1400万的图像。

2、Tiny Images Dataset
http://horatio.cs.nyu.edu/mit/tiny/data/index.html
包含8000万的32x32图像。

3、 MirFlickr1M
http://press.liacs.nl/mirflickr/
Flickr中的100万的图像集。

4、 CoPhIR
http://cophir.isti.cnr.it/whatis.html
Flickr中的1亿600万的图像

5、SBU captioned photo dataset
http://dsl1.cewit.stonybrook.edu/~vicente/sbucaptions/
Flickr中的100万的图像集。

6、Large-Scale Image Annotation using Visual Synset(ICCV 2011)
http://cpl.cc.gatech.edu/projects/VisualSynset/
包含2亿图像

7、NUS-WIDE
http://lms.comp.nus.edu.sg/research/NUS-WIDE.htm
Flickr中的27万的图像集。

8、SUN dataset
http://people.csail.mit.edu/jxiao/SUN/
包含13万的图像

9、MSRA-MM
http://research.microsoft.com/en-us/projects/msrammdata/
包含100万的图像，23000视频

10、TRECVID
http://trecvid.nist.gov/

Stack Overflow Dump Files
7.3G stackoverflow.com-Posts.7z
573.1K stackoverflow.com-Tags.7z
153.0M stackoverflow.com-Users.7z
2.2G stackoverflow.com-Comments.7z

截止目前好像还没有国内的企业或者组织开放自己的数据集。希望也能有企业开发自己的数据集给研究人员使用，从而推动海量数据处理在国内的发展！

2014/07/07 雅虎发布超大Flickr数据集 1亿的图片+视频
http://yahoolabs.tumblr.com/post/89783581601/one-hundred-million-creative-commons-flickr-images-for

100多个有趣的数据集
http://www.csdn.net/article/2014-06-06/2820111-100-Interesting-Data-Sets-for-Statistics

城市
Public Data EU http://publicdata.eu
Open Data Europe http://data.europa.eu/euodp/en/home
UK Government Data https://data.gov.uk
Africa Open Data https://africaopendata.org
Code for South Africa http://code4sa.org
Code for Africa https://codeforafrica.org
Open Cities Project http://www.opencitiesproject.org
Open Nepal http://data.opennepal.net
National Bureau of Statistics of China http://www.stats.gov.cn
Open Data Hong Kong https://opendatahk.com
Indonesian Government Open Data http://data.go.id
Japan http://www.data.go.jp
Russian Government Data Website http://data.gov.ru
PakReport - Pakistan Open Data and Maps http://pakreport.org
Open Data India https://data.gov.in
Turkey Open Statistics http://www.turkstat.gov.tr
Canada statistics https://crdcn.org/data
Open Canada http://open.canada.ca/en
Open Data Brazil http://dados.gov.br
Open Data Mexico https://datos.gob.mx
Open Data Latin America http://opendatalatinoamerica.org

机构
United Nations Open Data http://data.un.org
United Nations Development Program Data http://open.undp.org
Open Knowledge Foundation https://okfn.org
World Bank https://data.worldbank.org
WikiLeaks https://wikileaks.org
International Aid and Transparency Datasets https://www.iatiregistry.org
DataHub http://datahub.io
Population Reference Bureau http://www.prb.org/DataFinder.aspx

教育
Lexis Nexis http://lexisnexis.com
Google Scholar search http://scholar.google.com
Cornell University arXiv https://arxiv.org
UCI Machine Learning Datasets https://archive.ics.uci.edu/ml/index.php
Common Data Set Initiative http://www.commondataset.org

医疗
Open Science Data Cloud https://www.opensciencedatacloud.org/publicdata/
Open Science Directory http://www.opensciencedirectory.net
WHO http://www.who.int/gho/database/en/
Broad Institute Open Data https://www.broadinstitute.org/data-software-and-tools
Human Connectome Project http://www.humanconnectomeproject.org
UNC's Psychiatric Genomics http://www.med.unc.edu/pgc
Social Science Datasets http://3stages.org/idata/
CDC Medical Data https://www.cdc.gov/nchs/fastats/