PyG的Planetoid无法直接下载Cora等数据集的3个解决方式

诸神缄默不语-个人优快云博文目录

本文仅考虑DNS污染情况下无法用torch_geometric.Planetoid类下载Cora等数据集的情况。其他使用GitHub仓库下载数据的解决方式类似，在此文中不再赘述。
三个解决问题的方式方式简介：

1. 修改raw.githubcontent.com在hosts中对应的IP地址，使本地电脑可以直接登上该网站
2. 直接将原始数据下载到本地：手动从GitHub或gitee下载数据，放到对应文件目录位置；或者用Python拉数据下来
3. 修改torch_geometric源代码

以下是对这些解决方式的详细介绍（仅以Cora为例，其他数据集类似，不再赘述）

如果顺利的话，应该只需要执行类似这样的代码即可在对应根目录位置下载数据集：

from torch_geometric.datasets import Planetoid
dataset = Planetoid(root='./tmp/cora', name='Cora')

Planetoid文档：https://pytorch-geometric.readthedocs.io/en/latest/modules/datasets.html#torch_geometric.datasets.Planetoid

在planetoid源代码中可以看到，这个类的大致逻辑就是从GitHub下载数据→处理数据。出现无法下载的情况时可能是由于Planetoid从raw.githubcontent.com这个域名下载数据，而这个域名在电脑上被DNS污染。
本文仅考虑这种情况造成的无法下载情况。如果您发现您的机子没有这种问题，那么您可能无法通过本文的手段解决对应的问题。

测试是否是DNS污染的简单方式：ping一下raw.github.com
（仅适用于Windows系统，Linux等其他系统类似）使用 Win + R，出现如下弹窗：

在输入框中输入 cmd，点击确定，出现shell窗口，输入 ping raw.githubcontent.com，回车运行。
如果ping包能接收到，说明不是DNS污染的问题，一般可以通过多试几次的方式来解决问题，如果还解决不了那我也不知道了；如果ping包接收不到，说明就是DNS污染的问题，见下文。

解决方式一：修改hosts文件

可以通过多个地点Ping服务器,网站测速 - 站长工具这个网站获取raw.githubcontent.com对应的IP地址，选一个响应时间较短而且在大陆的响应IP就行。然后修改hosts，就可以直接下载。
（此处找IP地址还可以用The Best IP Address, Email and Networking Tools - IPAddress.com这个网站，但是这个网站有的时候会突然上不了，所以作为备选提供）

2022.12.13能用的IP地址：

173.208.96.46

直接挂代理一般也可以解决问题。
我之所以没这么干是因为我用远程服务器跑的，我没法改DNS也没法挂代理……

修改hosts的方法：

1. 找到hosts文件的位置，Windows一般为 C:\Windows\System32\drivers\etc
2. 打开hosts文件（用记事本之类的文本编辑器都行），在最后加一行，写你刚刚挑好的IP地址，然后按 tab 键，然后写 raw.githubusercontent.com。
3. 保存文件。如果不能保存就把内容复制到另一个同名文本文件中，复制过来，直接覆盖。
4. 在前文提及的cmd窗口中运行 ipconfig /flushdns。

解决方式二：从GitHub或gitee拉数据

GitHub项目是https://github.com/kimiyoung/planetoid，gitee项目是https://gitee.com/jiajiewu/planetoid。gitee的话在国内会更快点，所以推荐用gitee的。

具体需要的数据是这些：

通过以下任一方法下载到需要的数据后，将其放到根目录下Cora/raw文件夹下，然后再运行dataset = Planetoid(root, name='Cora')。如无报错并显示如下输出则成功。

Processing…
Done!
Cora()

方法1：直接下载整个项目

可以直接把整个项目git clone下来，然后直接从里面把对应的文件复制过去。
git clone的方法可参考我之前写的博文：VSCode上的Git使用手记（持续更新ing…）

也可以直接从项目的网页下载项目的zip压缩包，跟git clone地址在差不多的位置。

方法2：直接下载所需的单个文件

1. 直接从网页下载

gitee可以直接在网页上下载单个文件。直接修改网址也可以下载单个文件，具体网址见下面用Python下载数据部分。

要额外注意：PubMed里面的allx文件可能因为文件太大，所以如果直接用Gitee远程拉的话会要求登录，如果没有登录就会重定向到网页，导致无法用这种方式下载数据。
解决方法，我暂时也没有解决方法……就这一个文件就从本地登录了下载下来然后上传到服务器就算了。

GitHub通过插件或者修改网址也可以下载单个文件，但是如果你能通过这种方式下载文件，你的DNS应该没有被污染。

2. 用Python下载

直接把这个网址输到浏览器里面也能下载就是了……
我使用的是这个方式。主要原因是我在服务器上跑的项目，直接把所有事都在Python代码里解决就会比较方便。
base_url参数：
推荐使用gitee的：https://gitee.com/jiajiewu/planetoid/raw/master/data/ind.cora.
github的话可以二选一：https://github.com/kimiyoung/planetoid/raw/master/data/ind.cora.或 https://raw.githubusercontent.com/kimiyoung/planetoid/master/data/ind.cora.（但问题在于如果你能从这两个网址拉数据……那你……就不应该有不能下载的问题）
注意，这里要通过raw下载数据，如果直接用网页下载数据（如https://gitee.com/jiajiewu/planetoid/blob/master/data/ind.cora.allx）的话就会下载成网页……我一开始就下载成了网页……这肯定是会报错的。要下数据文件。

可以尝试使用PyG的download_url()方法下载数据（这是源代码中使用的方式）。其文档地址。
我使用的是requests。别的方式应该也行，就各种直接下载网页文件的方式应该都行。我这里给一个代码：

import requests

names = ['x', 'tx', 'allx', 'y', 'ty', 'ally', 'graph', 'test.index']
for name in names:
	file_url=base_url+name
    r=requests.get(file_url)
    with open('./tmp/cora/Cora/raw/ind.cora.'+name, 'wb') as f:
        f.write(r.content)

3. 用wget下载

其实我推荐用wget下载，因为有输出。太简单我就不写了，这还不会百度怎么上的学。网址还是上面那个网址。
如果稍稍对电脑有一点多的了解，还可以用Python写个批处理的bat或sh文件。

解决方式三：直接修改PyG源码

把planetoid.py里面第48行的 url = 'https://github.com/kimiyoung/planetoid/raw/master/data' 改成 url='https://gitee.com/jiajiewu/planetoid/raw/master/data'
逻辑上就跟第二种解决方式里面从gitee拉数据一样。

参考资料

1. 【PyG学习入门】二：入门时遇到的问题
2. Cora数据集不能下载
3. 用torch_geometric无法下载Cora数据怎么办？
4. torch_geometric下载数据集Cora时报错
5. 修改 Hosts 解决 Github 访问失败马克 - 知乎