wikidump_parse_example

本範例示範如何parse wiki dump檔案,並過濾含有linux template的page

使用方式

下載專案後 在專案下建立名稱為wiki的目錄,並將用bzip2解壓縮的dump檔案放置在目錄內,
修改程式內的FILENAME_WIKI檔案名稱即可

主要使用套件

lxml:

https://github.com/lxml/lxml
用iterate方式讀取大型xml的函式庫

mwparserfromhell:

https://github.com/earwig/mwparserfromhell
解析wikitext函式庫

參考:

https://www.heatonresearch.com/2017/03/03/python-basic-wikipedia-parsing.html
Reading Wikipedia XML Dumps with Python