Pular para o conteúdo principal
Este conjunto de dados contém todos os registros de Posts, Users, Votes, Comments, Badges, PostHistory e PostLinks do Stack Overflow. Você pode baixar versões Parquet dos dados já preparadas, contendo todas as postagens até abril de 2024, ou baixar os dados mais recentes em formato XML e carregá-los. O Stack Overflow fornece atualizações desses dados periodicamente — historicamente, a cada 3 meses. O diagrama a seguir mostra o esquema das tabelas disponíveis, considerando o formato Parquet. Uma descrição do esquema desses dados pode ser encontrada aqui.

Dados pré-preparados

Fornecemos uma cópia desses dados no formato Parquet, atualizada até abril de 2024. Embora seja pequeno para o ClickHouse em termos de número de linhas (60 milhões de posts), esse conjunto de dados contém volumes significativos de texto e colunas String extensas.
Os tempos a seguir são para um cluster do ClickHouse Cloud com 96 GiB e 24 vCPUs localizado em eu-west-2. O conjunto de dados está em eu-west-3.

Posts

Posts também estão disponíveis por ano, por exemplo https://datasets-documentation.s3.eu-west-3.amazonaws.com/stackoverflow/parquet/posts/2020.parquet

Votos

Os votos também estão disponíveis por ano, por exemplo: https://datasets-documentation.s3.eu-west-3.amazonaws.com/stackoverflow/parquet/votes/2020.parquet

Comments

A tabela Comments também está disponível por ano, por exemplo https://datasets-documentation.s3.eu-west-3.amazonaws.com/stackoverflow/parquet/comments/2020.parquet

Users

Badges

PostHistory

Dataset original

O dataset original está disponível em formato XML compactado (7zip) em https://archive.org/download/stackexchange — arquivos com o prefixo stackoverflow.com*.

Baixar

Esses arquivos podem ter até 35 GB e levar cerca de 30 min para baixar, dependendo da conexão com a internet — o servidor de download limita a velocidade a cerca de 20 MB/s.

Converter para JSON

No momento da redação deste texto, o ClickHouse não tem suporte nativo a XML como formato de entrada. Para carregar os dados no ClickHouse, primeiro os convertemos para NDJSON. Para converter XML em JSON, recomendamos a ferramenta Linux xq, um wrapper simples do jq para documentos XML. Instale o xq e o jq:
As etapas a seguir se aplicam a qualquer um dos arquivos acima. Usamos o arquivo stackoverflow.com-Posts.7z como exemplo. Modifique conforme necessário. Extraia o arquivo usando p7zip. Isso gerará um único arquivo XML — neste caso, Posts.xml.
Os arquivos são compactados em uma proporção de aproximadamente 4,5x. Com 22 GB compactados, o arquivo de posts requer cerca de 97 GB descompactados.
O comando a seguir divide o arquivo XML em vários arquivos, cada um contendo 10000 linhas.
Depois de executar o comando acima, você terá um conjunto de arquivos, cada um com 10000 linhas. Isso garante que o consumo de memória do próximo comando não seja excessivo (a conversão de XML para JSON é feita em memória).
O comando acima gerará um único arquivo posts.json. Carregue-o no ClickHouse com o comando a seguir. Observe que o esquema foi especificado para o arquivo posts.json. Isso precisará ser ajustado para cada tipo de dado, para corresponder à tabela de destino.

Consultas de exemplo

Algumas consultas simples para você começar.

Usuário com mais respostas (contas ativas)

A conta precisa de um UserId.

Posts mais polêmicos

Atribuição

Agradecemos ao Stack Overflow por disponibilizar estes dados sob a licença cc-by-sa 4.0, reconhecendo seus esforços e a fonte original dos dados em https://archive.org/details/stackexchange.
Última modificação em 25 de junho de 2026