메인 콘텐츠로 건너뛰기
이 데이터셋에는 Stack Overflow의 모든 Posts, Users, Votes, Comments, Badges, PostHistory, PostLinks 데이터가 포함되어 있습니다. 2024년 4월까지의 모든 게시물이 포함된 미리 준비된 Parquet 버전의 데이터를 다운로드하거나, 최신 XML 포맷 데이터를 다운로드해 적재할 수 있습니다. Stack Overflow는 이 데이터를 주기적으로 업데이트하며, 지금까지는 3개월마다 업데이트해 왔습니다. 다음 다이어그램은 Parquet 포맷을 기준으로 사용 가능한 테이블의 스키마를 보여줍니다. 이 데이터의 스키마 설명은 여기에서 확인할 수 있습니다.

미리 준비된 데이터

이 데이터의 사본을 Parquet 포맷으로 제공하며, 2024년 4월 기준 최신 상태입니다. 이 데이터셋은 행 수(Posts 6천만 개)만 보면 ClickHouse 기준으로는 작은 편이지만, 상당한 양의 텍스트와 큰 String 컬럼을 포함하고 있습니다.
다음 측정 시간은 eu-west-2에 위치한 96 GiB, 24 vCPU ClickHouse Cloud 클러스터를 기준으로 합니다. 데이터셋은 eu-west-3에 위치해 있습니다.

Posts

Posts는 연도별로도 사용할 수 있습니다. 예: https://datasets-documentation.s3.eu-west-3.amazonaws.com/stackoverflow/parquet/posts/2020.parquet

Votes

Votes는 연도별로도 사용할 수 있습니다. 예: https://datasets-documentation.s3.eu-west-3.amazonaws.com/stackoverflow/parquet/votes/2020.parquet

Comments

Comments는 연도별로도 사용할 수 있습니다. 예: https://datasets-documentation.s3.eu-west-3.amazonaws.com/stackoverflow/parquet/comments/2020.parquet

Users

Badges

PostHistory

원본 데이터셋

원본 데이터셋은 https://archive.org/download/stackexchange에서 압축된(7zip) XML 포맷으로 제공되며, 파일 접두사는 stackoverflow.com*입니다.

다운로드

이 파일들은 최대 35GB이며 인터넷 연결 상태에 따라 다운로드에 약 30분이 걸릴 수 있습니다 - 다운로드 서버는 초당 약 20MB로 속도가 제한됩니다.

JSON으로 변환

이 문서를 작성하는 시점 기준으로 ClickHouse는 XML을 입력 형식으로 네이티브 지원하지 않습니다. 데이터를 ClickHouse에 로드하려면 먼저 NDJSON으로 변환해야 합니다. XML을 JSON으로 변환할 때는 XML 문서를 위한 간단한 jq 래퍼인 Linux 도구 xq를 사용하는 것을 권장합니다. xq와 jq를 설치합니다:
다음 단계는 위의 모든 파일에 동일하게 적용됩니다. 여기서는 stackoverflow.com-Posts.7z 파일을 예시로 사용합니다. 필요에 따라 수정하십시오. p7zip을 사용해 파일 압축을 해제합니다. 그러면 단일 XML 파일이 생성되며, 이 경우 Posts.xml입니다.
파일은 약 4.5배 압축되어 있습니다. 압축된 크기가 22GB인 경우, Posts 파일은 압축 해제 시 약 97GB가 필요합니다.
다음은 xml 파일을 각각 10000행씩 포함하는 여러 파일로 분할합니다.
위 작업을 실행하면 각각 10000줄로 이루어진 파일 세트가 생성됩니다. 이렇게 하면 다음 명령에서 메모리 오버헤드가 과도하게 커지지 않습니다(xml을 JSON으로 변환하는 작업은 메모리에서 수행됩니다).
위 명령을 실행하면 posts.json 파일 하나가 생성됩니다. 다음 명령으로 ClickHouse에 로드하십시오. posts.json 파일의 schema가 지정되어 있다는 점에 유의하십시오. 대상 테이블에 맞도록 데이터 타입별로 이를 조정해야 합니다.

예시 쿼리

시작하는 데 도움이 될 몇 가지 간단한 질문입니다.

답변을 가장 많이 한 사용자(활성 계정)

계정에는 UserId가 필요합니다.

가장 논란이 된 게시물

출처 표기

cc-by-sa 4.0 라이선스에 따라 이 데이터를 제공한 Stack Overflow에 감사드리며, https://archive.org/details/stackexchange에 있는 원본 데이터 출처와 Stack Overflow의 노고를 밝힙니다.
마지막 수정일 2026년 6월 25일