image

大數(shù)據(jù)文摘出品

編譯：狗小白、李佳、張弛、魏子敏

沒人否認，維基百科是現(xiàn)代最令人驚嘆的人類發(fā)明之一。

幾年前誰能想到，匿名貢獻者們的義務工作竟創(chuàng)造出前所未有的巨大在線知識庫？維基百科不僅是你寫大學論文時最好的信息渠道，也是一個極其豐富的數(shù)據(jù)源。

從自然語言處理到監(jiān)督式機器學習，維基百科助力了無數(shù)的數(shù)據(jù)科學項目。

維基百科的規(guī)模之大，可稱為世上最大的百科全書，但也因此稍讓數(shù)據(jù)工程師們感到頭疼。當然，有合適的工具的話，數(shù)據(jù)量的規(guī)模就不是那么大的問題了。

本文將介紹“如何編程下載和解析英文版維基百科”。

在介紹過程中，我們也會提及以下幾個數(shù)據(jù)科學中重要的問題：

1、從網(wǎng)絡中搜索和編程下載數(shù)據(jù)

2、運用Python庫解析網(wǎng)絡數(shù)據(jù)（HTML, XML, MediaWiki格式）

3、多進程處理、并行化處理

這個項目最初是想要收集維基百科上所有的書籍信息，但我之后發(fā)現(xiàn)項目中使用的解決方法可以有更廣泛的應用。這里提到的，以及在Jupyter Notebook里展示的技術，能夠高效處理維基百科上的所有文章，同時還能擴展到其它的網(wǎng)絡數(shù)據(jù)源中。

本文中運用的Python代碼的筆記放在GitHub，靈感來源于Douwe Osinga超棒的《深度學習手冊》。前面提到的Jupyter Notebooks也可以免費獲取。

GitHub鏈接：

免費獲取地址：

編程搜索和下載數(shù)據(jù)

任何一個數(shù)據(jù)科學項目第一步都是獲取數(shù)據(jù)。我們當然可以一個個進入維基百科頁面打包下載搜索結果，但很快就會下載受限，而且還會給維基百科的服務器造成壓力。還有一種辦法，我們通過dumps.wikimedia.org這個網(wǎng)站獲取維基百科所有數(shù)據(jù)的定期快照結果，又稱dump。

用下面這段代碼，我們可以看到數(shù)據(jù)庫的可用版本：

import requests

Library for parsing HTML

from bs4 import BeautifulSoup

base_url = 'https://dumps.wikimedia.org/enwiki/'

index = requests.get(base_url).text

soup_index = BeautifulSoup(index, 'html.parser')

Find the links on the page

dumps = [a['href'] for a in soup_index.find_all('a') if

a.has_attr('href')]

dumps

['../',

'20180620/',

'20180701/',

'20180720/',

'20180801/',

'20180820/',

'20180901/',

'20180920/',

'latest/']

這段代碼使用了BeautifulSoup庫來解析HTML。由于HTML是網(wǎng)頁的標準標識語言，因此就處理網(wǎng)絡數(shù)據(jù)來說，這個庫簡直是無價瑰寶。

本項目使用的是2018年9月1日的dump（有些dump數(shù)據(jù)不全，請確保選擇一個你所需的數(shù)據(jù)）。我們使用下列代碼來找到dump里所有的文件。

dump_url = base_url + '20180901/'

Retrieve the html

dump_html = requests.get(dump_url).text

Convert to a soup

soup_dump = BeautifulSoup(dump_html, 'html.parser')

Find list elements with the class file

soup_dump.find_all('li', {'class': 'file'})[:3]

[

enwiki-20180901-pages-articles-multistream.xml.bz2 15.2 GB,

enwiki-20180901-pages-articles-multistream-index.txt.bz2 195.6 MB,

enwiki-20180901-pages-meta-history1.xml-p10p2101.7z 320.6 MB]

我們再一次使用BeautifulSoup來解析網(wǎng)絡找尋文件。我們可以在https://dumps.wikimedia.org/enwiki/20180901/頁面里手工下載文件，但這就不夠效率了。網(wǎng)絡數(shù)據(jù)如此龐雜，懂得如何解析HTML和在程序中與網(wǎng)頁交互是非常有用的——學點網(wǎng)站檢索知識，龐大的新數(shù)據(jù)源便觸手可及。

考慮好下載什么

上述代碼把dump里的所有文件都找出來了，你也就有了一些下載的選擇：文章當前版本，文章頁以及當前討論列表，或者是文章所有歷史修改版本和討論列表。如果你選擇最后一個，那就是萬億字節(jié)的數(shù)據(jù)量了！本項目只選用文章最新版本。

所有文章的當前版本能以單個文檔的形式獲得，但如果我們下載解析這個文檔，就得非常費勁地一篇篇文章翻看，非常低效。更好的辦法是，下載多個分區(qū)文檔，每個文檔內(nèi)容是文章的一個章節(jié)。之后，我們可以通過并行化一次解析多個文檔，顯著提高效率。

“當我處理文檔時，我更喜歡多個小文檔而非一個大文檔，這樣我就可以并行化運行多個文檔了。”

分區(qū)文檔格式為bz2壓縮的XML（可擴展標識語言），每個分區(qū)大小300～400MB，全部的壓縮包大小15.4GB。無需解壓，但如果你想解壓，大小約58GB。這個大小對于人類的全部知識來說似乎并不太大。

image

維基百科壓縮文件大小

下載文件

Keras 中的get_file語句在實際下載文件中非常好用。下面的代碼可通過鏈接下載文件并保存到磁盤中：

from keras.utils import get_file

saved_file_path = get_file(file, url)

下載的文件保存在~/.keras/datasets/，也是Keras默認保存設置。一次性下載全部文件需2個多小時（你可以試試并行下載，但我試圖同時進行多個下載任務時被限速了）

解析數(shù)據(jù)

我們首先得解壓文件。但實際我們發(fā)現(xiàn)，想獲取全部文章數(shù)據(jù)根本不需要這樣。我們可以通過一次解壓運行一行內(nèi)容來迭代文檔。當內(nèi)存不夠運行大容量數(shù)據(jù)時，在文件間迭代通常是唯一選擇。我們可以使用bz2庫對bz2壓縮的文件迭代。

不過在測試過程中，我發(fā)現(xiàn)了一個更快捷（雙倍快捷）的方法，用的是system utility bzcat以及Python模塊的subprocess。以上揭示了一個重要的觀點：解決問題往往有很多種辦法，而找到最有效辦法的唯一方式就是對我們的方案進行基準測試。這可以很簡單地通過%%timeit Jupyter cell magic來對方案計時評價。

迭代解壓文件的基本格式為：

data_path = '~/.keras/datasets/enwiki-20180901-pages-articles15.xml-p7744803p9244803.bz2

Iterate through compressed file one line at a time

for line in subprocess.Popen(['bzcat'],

stdin = open(data_path),

stdout = subprocess.PIPE).stdout:

# process line

如果簡單地讀取XML數(shù)據(jù)，并附為一個列表，我們得到看起來像這樣的東西：

image

維基百科文章的源XML

上面展示了一篇維基百科文章的XML文件。每個文件里面有成千上萬篇文章，因此我們下載的文件里包含百萬行這樣的語句。如果我們真想把事情弄復雜，我們可以用正則表達式和字符串匹配跑一遍文檔來找到每篇文章。這就極其低效了，我們可以采取一個更好的辦法：使用解析XML和維基百科式文章的定制化工具。

解析方法

我們需要在兩個層面上來解析文檔：

1、從XML中提取文章標題和內(nèi)容

2、從文章內(nèi)容中提取相關信息

好在，Python對這兩個都有不錯的應對方法。

解析XML

解決第一個問題——定位文章，我們使用SAX（Simple API for XML） 語法解析器。BeautifulSoup語句也可以用來解析XML，但需要內(nèi)存載入整個文檔并且建立一個文檔對象模型（DOM）。而SAX一次只運行XML里的一行字，完美符合我們的應用場景。

基本思路就是我們對XML文檔進行搜索，在特定標簽間提取相關信息。例如，給出下面這段XML語句：

Carroll F. Knicely

'''Carroll F. Knicely''' (born c. 1929 in [[Staunton, Virginia]] - died November 2, 2006 in [[Glasgow, Kentucky]]) was [[Editing|editor]] and [[Publishing|publisher]] of the ''[[Glasgow Daily Times]]'' for nearly 20 years (and later, its owner) and served under three [[Governor of Kentucky|Kentucky Governors]] as commissioner and later Commerce Secretary.\n'

我們想篩出在

和這兩標簽間的內(nèi)容（這個title就是維基百科文章標題，text就是文章內(nèi)容）。SAX能直接讓我們實現(xiàn)這樣的功能——通過parser和ContentHandler這兩個語句來控制信息如何通過解析器然后被處理。每次掃一行XML句子進解析器，Content Handler則幫我們提取相關的信息。

如果你不嘗試做一下，可能理解起來有點難度，但是Content handler的思想是尋找開始標簽和結束標簽之間的內(nèi)容，將找到的字符添加到緩存中。然后將緩存的內(nèi)容保存到字典中，其中相應的標簽作為對應的鍵。最后我們得到一個鍵是標簽，值是標簽中的內(nèi)容的字典。下一步，我們會將這個字典傳遞給另一個函數(shù)，它將解析字典中的內(nèi)容。

我們唯一需要編寫的SAX的部分是Content Handler。全文如下：

在這段代碼中，我們尋找標簽為title和text的標簽。每次解析器遇到其中一個時，它會將字符保存到緩存中，直到遇到對應的結束標簽（）。然后它會保存緩存內(nèi)容到字典中-- self._values。文章由標簽區(qū)分，如果Content Handler遇到一個代表結束的 標簽，它將添加self._values 到文章列表（self._pages）中。如果感到疑惑了，實踐觀摩一下可能會有幫助。

下面的代碼顯示了如何通過XML文件查找文章。現(xiàn)在，我們只是將它們保存到handler._pages中，稍后我們將把文章發(fā)送到另一個函數(shù)中進行解析。

Object for handling xml

handler = WikiXmlHandler()

Parsing object

parser = xml.sax.make_parser()

parser.setContentHandler(handler)

Iteratively process file

for line in subprocess.Popen(['bzcat'],

stdin = open(data_path),

stdout = subprocess.PIPE).stdout:

parser.feed(line)

# Stop when 3 articles have been found

if len(handler._pages) > 2:

break

如果我們觀察 handler._pages，我們將看到一個列表，其中每個元素都是一個包含一篇文章的標題和內(nèi)容的元組：

handler._pages[0]

[('Carroll Knicely',

"'''Carroll F. Knicely''' (born c. 1929 in [[Staunton, Virginia]] - died November 2, 2006 in [[Glasgow, Kentucky]]) was [[Editing|editor]] and [[Publishing|publisher]] ...)]

此時，我們已經(jīng)編寫的代碼可以成功地識別XML中的文章。現(xiàn)在我們完成了解析文件一半的任務，下一步是處理文章以查找特定頁面和信息。再次，我們使用專為這項工作而創(chuàng)建的一個工具。

解析維基百科文章

維基百科運行在一個叫做MediaWiki的軟件上，該軟件用來構建wiki。這使文章遵循一種標準格式，這種格式可以輕易地用編程方式訪問其中的信息。雖然一篇文章的文本看起來可能只是一個字符串，但由于格式的原因，它實際上編碼了更多的信息。為了有效地獲取這些信息，我們引進了強大的 mwparserfromhell， 一個為處理MediaWiki內(nèi)容而構建的庫。

如果我們將維基百科文章的文本傳遞給 mwparserfromhell，我們會得到一個Wikicode 對象，它含有許多對數(shù)據(jù)進行排序的方法。例如，以下代碼從文章創(chuàng)建了一個wikicode對象，并檢索文章中的 wikilinks()。這些鏈接指向維基百科的其他文章：

import mwparserfromhell

Create the wiki article

wiki = mwparserfromhell.parse(handler._pages[6][1])

Find the wikilinks

wikilinks = [x.title for x in wiki.filter_wikilinks()]

wikilinks[:5]

['Provo, Utah', 'Wasatch Front', 'Megahertz', 'Contemporary hit radio', 'watt']

有許多有用的方法可以應用于wikicode，例如查找注釋或搜索特定的關鍵字。如果您想獲得文章文本的最終修訂版本，可以調(diào)用:

wiki.strip_code().strip()

'KENZ (94.9 FM, " Power 94.9 " ) is a top 40/CHR radio station broadcasting to Salt Lake City, Utah '

因為我的最終目標是找到所有關于書籍的文章，那么是否有一種方法可以使用解析器來識別某個類別中的文章呢？幸運的是，答案是肯定的——使用MediaWiki templates。

文章模板

模板(templates)是記錄信息的標準方法。維基百科上有無數(shù)的模板，但與我們的目的最相關的是信息框（ Infoboxes）。有些模板編碼文章的摘要信息。例如，戰(zhàn)爭與和平的信息框是：

image

維基百科上的每一類文章，如電影、書籍或廣播電臺，都有自己的信息框。在書籍的例子中，信息框模板被命名為Infobox book。同樣，wiki對象有一個名為filter_templates()的方法，它允許我們從一篇文章中提取特定的模板。因此，如果我們想知道一篇文章是否是關于一本書的，我們可以通過book信息框去過濾。展示如下：

Filter article for book template

wiki.filter_templates('Infobox book')

如果匹配成功，那我們就找到一本書了！要查找你感興趣的文章類別的信息框模板，請參閱信息框列表。

如何將用于解析文章的mwparserfromhell 與我們編寫的SAX解析器結合起來？我們修改了Content Handler中的endElement方法，將包含文章標題和文本的值的字典，發(fā)送到通過指定模板搜索文章文本的函數(shù)中。如果函數(shù)找到了我們想要的文章，它會從文章中提取信息，然后返回給handler。首先，我將展示更新后的endElement 。

def endElement(self, name):

"""Closing tag of element"""

if name == self._current_tag:

self._values[name] = ' '.join(self._buffer)

if name == 'page':

self._article_count += 1

# Send the page to the process article function

book = process_article(**self._values,

template = 'Infobox book')

# If article is a book append to the list of books

if book:

self._books.append(book)

一旦解析器到達文章的末尾，我們將文章傳遞到函數(shù) process_article，如下所示：

def process_article(title, text, timestamp, template = 'Infobox book'):

"""Process a wikipedia article looking for template"""

# Create a parsing object

wikicode = mwparserfromhell.parse(text)

# Search through templates for the template

matches = wikicode.filter_templates(matches = template)

if len(matches) >= 1:

# Extract information from infobox

properties = {param.name.strip_code().strip(): param.value.strip_code().strip()

for param in matches[0].params

if param.value.strip_code().strip()}

# Extract internal wikilinks

雖然我正在尋找有關書籍的文章，但是這個函數(shù)可以用來搜索維基百科上任何類別的文章。只需將模板替換為指定類別的模板(例如 Infobox language是用來尋找語言的)，它只會返回符合條件的文章信息。

我們可以在一個文件上測試這個函數(shù)和新的ContentHandler 。

Searched through 427481 articles.

Found 1426 books in 1055 seconds.

讓我們看一下查找一本書的結果：

books[10]

['War and Peace',

{'name': 'War and Peace',

'author': 'Leo Tolstoy',

'language': 'Russian, with some French',

'country': 'Russia',

'genre': 'Novel (Historical novel)',

'publisher': 'The Russian Messenger (serial)',

'title_orig': 'Война и миръ',

'orig_lang_code': 'ru',

'translator': 'The first translation of War and Peace into English was by American Nathan Haskell Dole, in 1899',

'image': 'Tolstoy - War and Peace - first edition, 1869.jpg',

'caption': 'Front page of War and Peace, first edition, 1869 (Russian)',

'release_date': 'Serialised 1865–1867; book 1869',

'media_type': 'Print',

'pages': '1,225 (first published edition)'},

['Leo Tolstoy',

'Novel',

'Historical novel',

'The Russian Messenger',

'Serial (publishing)',

'Category:1869 Russian novels',

'Category:Epic novels',

'Category:Novels set in 19th-century Russia',

'Category:Russian novels adapted into films',

'Category:Russian philosophical novels'],

['https://books.google.com/?id=c4HEAN-ti1MC',

'https://www.britannica.com/art/English-literature',

'https://books.google.com/books?id=xf7umXHGDPcC',

'https://books.google.com/?id=E5fotqsglPEC',

'https://books.google.com/?id=9sHebfZIXFAC'],

'2018-08-29T02:37:35Z']

對于維基百科上的每一本書，我們把信息框中的信息整理為字典、書籍在維基百科中的wikilinks信息、書籍的外部鏈接和最新編輯的時間戳。(我把精力集中在這些信息上，為我的下一個項目建立一個圖書推薦系統(tǒng))。你可以修改process_article 函數(shù)和WikiXmlHandler類，以查找任何你需要的信息和文章！

如果你看一下只處理一個文件的時間，1055秒，然后乘以55，你會發(fā)現(xiàn)處理所有文件的時間超過了15個小時！當然，我們可以在一夜之間運行，但如果可以的話，我不想浪費額外的時間。這就引出了我們將在本項目中介紹的最后一種技術：使用多處理和多線程進行并行化。

并行操作

與其一次一個解析文件，不如同時處理其中的幾個(這就是我們下載分區(qū)的原因)。我們可以使用并行化，通過多線程或多處理來實現(xiàn)。

多線程與多處理

多線程和多處理是同時在計算機或多臺計算機上執(zhí)行許多任務的方法。我們磁盤上有許多文件，每個文件都需要以相同的方式進行解析。一個簡單的方法是一次解析一個文件，但這并沒有充分利用我們的資源。因此，我們可以使用多線程或多處理同時解析多個文件，這將大大加快整個過程。

通常，多線程對于輸入/輸出綁定任務（例如讀取文件或發(fā)出請求）更好（更快）。多處理對于cpu密集型任務更好（更快）。對于解析文章的過程，我不確定哪種方法是最優(yōu)的，因此我再次用不同的參數(shù)對這兩種方法進行了基準測試。

學習如何進行測試和尋找不同的方法來解決一個問題，你將會在數(shù)據(jù)科學或任何技術的職業(yè)生涯中走得更遠。

相關報道：

總結

以上是生活随笔為你收集整理的python百科全书_维基百科中的数据科学：手把手教你用Python读懂全球最大百科全书...的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。