Извлечение первого абзаца из статьи Википедии (Python)

Как я могу извлечь первый абзац из статьи Википедии, используя Python?

например,Альберт Эйнштейн что будет:

Альберт Эйнштейн (произносится как / ˈælbərt ˈaɪnstaɪn/; немецкий: [ˈalbɐt ˈaɪnʃtaɪn] ( слушаю); 14 марта 1879 – 18 апреля 1955) был физиком-теоретиком, философ и автор, который широко считается одним из самых влиятельные и знаковые ученые и интеллектуалы всех времен. Ля Немецко-швейцарский Нобелевский лауреат, Эйнштейн часто рассматривается как отец современная физика.[2] он получил 1921 Нобелевская премия по физике " за его услуги по теоретической физике, и особенно за его открытие закон фотоэффекта".[3]

10 ответов


некоторое время назад я сделал два класса для статей Википедии прямым текстом. Я знаю, что это не лучшее решение, но вы можете адаптировать его к своим потребностям:

wikipedia.py
    wiki2plain.py

вы можете использовать его как это:

from wikipedia import Wikipedia
from wiki2plain import Wiki2Plain

lang = 'simple'
wiki = Wikipedia(lang)

try:
    raw = wiki.article('Uruguay')
except:
    raw = None

if raw:
    wiki2plain = Wiki2Plain(raw)
    content = wiki2plain.text

Я написал библиотеку Python, которая стремится сделать это очень легко. Проверьте это на Github.

чтобы установить его, выполните команду

$ pip install wikipedia

затем, чтобы получить первый абзац статьи, просто использовать


вот что я сделал:

import urllib
import urllib2
from BeautifulSoup import BeautifulSoup

article= "Albert Einstein"
article = urllib.quote(article)

opener = urllib2.build_opener()
opener.addheaders = [('User-agent', 'Mozilla/5.0')] #wikipedia needs this

resource = opener.open("http://en.wikipedia.org/wiki/" + article)
data = resource.read()
resource.close()
soup = BeautifulSoup(data)
print soup.find('div',id="bodyContent").p

Wikipedia запускает расширение MediaWiki, которое предоставляет именно эту функциональность в качестве модуля API. TextExtracts осуществляет action=query&prop=extracts с опциями для возврата первого N предложения и/или просто введение, как HTML или обычный текст.

вот вызов API, который вы хотите сделать, попробуйте он: https://en.wikipedia.org/w/api.php?action=query&prop=extracts&titles=Albert%20Einstein&exintro=&exsentences=2&explaintext=&redirects=&formatversion=2

  • action=query&prop=extracts запросить эту информацию
  • (ex)sentences=2, (ex)intro=, (ex)plaintext, являются параметрами модуля (см. первую ссылку для его документа API), запрашивающего два предложения из intro как обычный текст; оставьте последнее для HTML.
  • redirects=(true) поэтому, если вы попросите "titles=Einstein" вы получите информацию о странице Альберта Эйнштейна
  • formatversion=2 для более чистого формата в UTF-8.

существуют различные библиотеки, которые обертывают вызов API действия MediaWiki, например, в ответе DGund, но не слишком сложно сделать вызовы API самостоятельно.

информация о странице в результатах поиска обсуждает получение этого извлечения текста, а также получение описания и ведущего изображения для статей.


Если вы хотите, предложения, библиотека, BeautifulSoup, urllib2 приходят на ум. Ответил на так раньше:веб-скрейпинг с Python.

Я попробовал urllib2, чтобы получить страницу из Википедии. Но, это было 403 (запрещено). MediaWiki предоставляет API для Википедии, поддерживая различные форматы вывода. Я не использовал python-wikitools, но, возможно, стоит попробовать. http://code.google.com/p/python-wikitools/


как говорили другие, один из подходов-использовать API Викимедиа и urllib или urllib2. Фрагменты кода ниже являются частью того, что я использовал для извлечения так называемого "ведущего" раздела, в котором есть аннотация статьи и infobox. Это проверит, является ли возвращаемый текст перенаправлением вместо фактического содержимого, а также позволит вам пропустить infobox, если он присутствует (в моем случае я использовал другой код для извлечения и форматирования infobox.

contentBaseURL='http://en.wikipedia.org/w/index.php?title='

def getContent(title):
    URL=contentBaseURL+title+'&action=raw&section=0'
    f=urllib.urlopen(URL)
    rawContent=f.read()
    return rawContent

infoboxPresent = 0
# Check if a redirect was returned.  If so, go to the redirection target
    if rawContent.find('#REDIRECT') == 0:
        rawContent = getFullContent(title)
        # extract the redirection title
        # Extract and format the Infobox
        redirectStart=rawContent.find('#REDIRECT[[')+11   
        count = 0
        redirectEnd = 0
        for i, char in enumerate(rawContent[redirectStart:-1]):
            if char == "[": count += 1
            if char == "]}":
                count -= 1
                if count == 0:
                    redirectEnd = i+redirectStart+1
                    break
        redirectTitle = rawContent[redirectStart:redirectEnd]
        print 'redirectTitle is: ',redirectTitle
        rawContent = getContent(redirectTitle)

    # Skip the Infobox
    infoboxStart=rawContent.find("{{Infobox")   #Actually starts at the double {'s before "Infobox"
    count = 0
    infoboxEnd = 0
    for i, char in enumerate(rawContent[infoboxStart:-1]):
        if char == "{": count += 1
        if char == "}":
            count -= 1
            if count == 0:
                infoboxEnd = i+infoboxStart+1
                break

    if infoboxEnd <> 0:
        rawContent = rawContent[infoboxEnd:]

вы получите обратно необработанный текст включая разметку wiki, поэтому вам нужно будет сделать некоторую очистку. Если вам нужен только первый абзац, а не весь первый раздел, найдите первый новый символ строки.


попробуйте сочетание urllib чтобы получить сайт и BeautifulSoup или lxml для анализа данных.


попробовать pattern.

pip install pattern

from pattern.web import Wikipedia
article = Wikipedia(language="af").search('Kaapstad', throttle=10)
print article.string

относительно новый REST API есть summary метод, который идеально подходит для такого использования, и делает многое из того, что упоминалось в других ответов здесь (например, удаление Вики-разметку). Он даже включает изображение и geocoordinates если применимо.

используя прекрасный requests модуль и Python 3:

import requests
r = requests.get("https://en.wikipedia.org/api/rest_v1/page/summary/Amsterdam")
page = r.json()
print(page["extract"]) # Returns 'Amsterdam is the capital and...'