メインコンテンツへスキップ
このデータセットには、Stack Overflow 上のすべての PostsUsersVotesCommentsBadgesPostHistoryPostLinks が含まれています。 2024 年 4 月までのすべての投稿を含む、あらかじめ用意された Parquet 版のデータをダウンロードすることも、最新の XML フォーマットのデータをダウンロードして読み込むこともできます。Stack Overflow はこのデータを定期的に更新しており、これまではおおむね 3 か月ごとに更新されてきました。 次の図は、Parquet フォーマットで利用することを前提とした利用可能なテーブルのスキーマを示しています。 このデータのスキーマの説明は こちら を参照してください。

あらかじめ用意されたデータ

このデータのコピーを、2024年4月時点の内容に基づく Parquet フォーマットで提供しています。行数 (投稿 6,000 万件) という点では ClickHouse にとって小規模ですが、このデータセットには大量のテキストとサイズの大きい String カラムが含まれています。
以下は、eu-west-2 に配置された 96 GiB・24 vCPU の ClickHouse Cloud クラスターでの所要時間です。データセットは eu-west-3 にあります。

Posts

Posts は年ごとのファイルとしても利用できます (例: https://datasets-documentation.s3.eu-west-3.amazonaws.com/stackoverflow/parquet/posts/2020.parquet)

Votes

Votes は年別データも利用できます。例: https://datasets-documentation.s3.eu-west-3.amazonaws.com/stackoverflow/parquet/votes/2020.parquet

Comments

Comments は年ごとのファイルでも利用できます (例: https://datasets-documentation.s3.eu-west-3.amazonaws.com/stackoverflow/parquet/comments/2020.parquet)

Users

Badges

PostHistory

元のデータセット

元のデータセットは、圧縮済みの (7zip) XML フォーマットで https://archive.org/download/stackexchange から入手できます。該当するのは、プレフィックス stackoverflow.com* のファイルです。

ダウンロード

これらのファイルは最大35GBあり、インターネット接続によってはダウンロードに約30分かかることがあります。ダウンロードサーバー側で約20MB/秒に速度制限されています。

JSON に変換する

執筆時点では、ClickHouse は入力フォーマットとして XML をネイティブではサポートしていません。データを ClickHouse に読み込むには、まず NDJSON に変換します。 XML を JSON に変換するには、XML ドキュメント用のシンプルな jq ラッパーである Linux ツール xq の使用を推奨します。 xq と jq をインストールします:
以下の手順は、上記のどのファイルにも適用できます。ここでは stackoverflow.com-Posts.7z ファイルを例に説明します。必要に応じて読み替えてください。 p7zip を使ってファイルを展開します。展開すると、1 つの XML ファイルが生成されます。この例では Posts.xml です。
ファイルはおよそ 4.5 倍に圧縮されています。圧縮後のサイズが 22GB の場合、Posts ファイルの非圧縮サイズは約 97GB になります。
以下では、XMLファイルを、各ファイルに10000行ずつ含まれるように分割します。
上記を実行すると、それぞれ10000行のファイルが複数作成されます。これにより、次のコマンドでのメモリオーバーヘッドが過大になるのを防げます (XML から JSON への変換はメモリ上で行われます) 。
上記のコマンドを実行すると、posts.json という単一のファイルが生成されます。 次のコマンドで ClickHouse に読み込みます。posts.json ファイルにはスキーマが指定されている点に注意してください。ターゲットテーブルに合わせるには、データ型ごとにこれを調整する必要があります。

クエリ例

まずは、簡単なクエリをいくつか紹介します。

回答数が最も多いユーザー (アクティブなアカウント)

アカウントには UserId が必要です。

最も物議を醸した投稿

帰属表示

このデータを cc-by-sa 4.0 ライセンスのもとで提供してくださった Stack Overflow に感謝するとともに、その尽力と、https://archive.org/details/stackexchange にあるデータの元の出典に敬意を表します。
最終更新日 2026年6月25日