python - 解析维基百科维基文本模板命名参数以从 Taxobox 中提取数据

Question

使用 Python，我试图从维基百科分类框(通常为每个动植物物种页面显示的信息框，参见此处的示例:https://en.wikipedia.org/wiki/Okapi)的几个“字段”中提取数据。

此处提供的解决方案 ( How to use Wikipedia API to get section of sidebar?) 很有趣，但对我来说没有用，因为我对来自较低分类类别(物种)的数据感兴趣。

我想要的是一种访问 Taxobox 中每个字段然后获取感兴趣的数据(可能作为字典)的方法(尽可能像 pythonic)。

在此先感谢您的帮助。

编辑:这里 ( https://github.com/siznax/wptools ) 是另一个很好的解决方案，应该是我需要的，但不幸的是，它是一组命令行工具(除了依赖于仅在Linux) 而不是 Python 库。

EDIT2:wptools 现在是一个 (python 2,3) 库。

Answer 1

@maurobio，@jimhark wptools 现在是一个 python (2+3) 库。它会给你任何名称中带有“box”的信息框作为 python dict，但是您可能想使用 Wikidata(例如 okapi https://www.wikidata.org/wiki/Q82037 ) 因为 infoboxen 很乱(到至少可以说)。如果你专注于维基数据，那么每个人都会受益，wptools 也可以为您获取 Wikidata。我们最近更新了 wptools，使其默认获取所有维基数据。

您可以在下面的示例中获取某些语言的信息框数据，但正如@biojl 指出的那样，wikitext 在不同的语言中具有不同的结构!

>>> page = wptools.page('Okapi')
>>> page.get_parse()
en.wikipedia.org (parse) Okapi
en.wikipedia.org (imageinfo) File:Okapi2.jpg
Okapi (en) data
{
  image: <list(1)> {'kind': 'parse-image', u'descriptionshorturl':...
  infobox: <dict(9)> status, status_ref, name, image, taxon, autho...
  iwlinks: <list(4)> https://commons.wikimedia.org/wiki/Okapia_joh...
  pageid: 22709
  parsetree: <str(39115)> <root><template><title>about</title><par...
  requests: <list(2)> parse, imageinfo
  title: Okapi
  wikibase: Q82037
  wikidata_url: https://www.wikidata.org/wiki/Q82037
  wikitext: <str(29930)> {{about|the animal}}{{good article}}{{use...
}

>>> page.data['infobox']
{'authority': '([[P.L. Sclater]], 1901)',
 'image': 'Okapi2.jpg',
 'image_caption': "An okapi at [[Disney's Animal Kingdom]] in [[Florida]].",
 'name': 'Okapi',
 'parent_authority': '[[Ray Lankester|Lankester]], 1901',
 'status': 'EN',
 'status_ref': '<ext><name>ref</name><attr> name=iucn</attr><inner>{{IUCN2008|assessor=IUCN SSC Antelope Specialist Group|year=2008|id=15188|title=Okapia johnstoni|downloaded=26 November 2013}} Database entry includes a brief justification of why this species is endangered.</inner><close>&lt;/ref&gt;</close></ext>',
 'status_system': 'IUCN3.1',
 'taxon': 'Okapia johnstoni'}

但是，由于它是结构化的，您可以获得多种语言的维基数据，例如

>>> page = wptools.page('Okapi', lang='fr')
>>> page.get_wikidata()
www.wikidata.org (wikidata) Okapi
www.wikidata.org (labels) P646|P349|P373|P685|P627|Q16521|Q7432|Q...
fr.wikipedia.org (imageinfo) File:Okapia johnstoni -Marwell Wildl...
Okapi (fr) data
{
  aliases: <list(2)> Mondonga, Okapia johnstoni
  claims: <dict(26)> P646, P181, P935, P815, P373, P1417, P685, P1...
  description: espèce de mammifères
  image: <list(2)> {'kind': 'wikidata-image', u'descriptionshortur...
  label: Okapi
  labels: <dict(31)> P646, P373, P685, P627, Q16521, Q7432, Q20415...
  modified: <dict(1)> wikidata
  pageid: 84481
  requests: <list(3)> wikidata, labels, imageinfo
  title: Okapi
  what: taxon
  wikibase: Q82037
  wikidata: <dict(26)> identifiant BioLib (P838), taxon supérieur ...
  wikidata_url: https://www.wikidata.org/wiki/Q82037
}

>>> page.data['wikidata']
{u'carte de r\xe9partition (P181)': u'Okapi distribution.PNG',
 u'cat\xe9gorie Commons (P373)': u'Okapia johnstoni',
 u'dur\xe9e de gestation (P3063)': {u'amount': u'+14.5',
  u'lowerBound': u'+14.0',
  u'unit': u'http://www.wikidata.org/entity/Q5151',
  u'upperBound': u'+15.0'},
 u'd\xe9crit par (P1343)': u'encyclop\xe9die Otto (Q2041543)',
 u'galerie Commons (P935)': u'Okapia johnstoni',
 u'identifiant ARKive (P2833)': u'okapi/okapia-johnstoni',
 u'identifiant Animal Diversity Web (P4024)': u'Okapia_johnstoni',
 u'identifiant Biblioth\xe8que nationale de la Di\xe8te (P349)': u'01092792',
 u'identifiant BioLib (P838)': u'33523',
 u'identifiant Encyclopedia of Life (P830)': u'308387',
 u'identifiant Encyclop\xe6dia Britannica en ligne (P1417)': u'animal/okapi',
 u'identifiant Fossilworks (P842)': u'149380',
 u'identifiant Freebase (P646)': u'/m/05pf4',
 u'identifiant GBIF (P846)': u'2441207',
 u'identifiant ITIS (P815)': u'625037',
 u'identifiant Mammal Species of the World (P959)': u'14200484',
 u'identifiant NCBI (P685)': u'86973',
 u'identifiant UICN (P627)': u'15188',
 u'identifiant de la Grande Encyclop\xe9die russe en ligne (P2924)': u'2290412',
 u'image (P18)': [u'Okapia johnstoni -Marwell Wildlife, Hampshire, England-8a.jpg',
  u'Okapia johnstoni1.jpg'],
 u"nature de l'\xe9l\xe9ment (P31)": u'taxon (Q16521)',
 u'nom scientifique du taxon (P225)': u'Okapia johnstoni',
 u'nom vernaculaire (P1843)': [u'Okapi', u'Okapi'],
 u'rang taxinomique (P105)': u'esp\xe8ce (Q7432)',
 u'statut de conservation UICN (P141)': u'esp\xe8ce en danger (Q11394)',
 u'taxon sup\xe9rieur (P171)': u'Okapia (Q1872039)'}

别忘了您可以用自己的语言编辑维基数据。有tools可用于编辑大量维基数据页面。

编辑:我们添加了一个更通用的解析器，它应该(在某种程度上)适用于任何信息框语法，例如

>>> page = wptools.page('Okapi', lang='fr')
>>> page.get_parse()
fr.wikipedia.org (parse) Okapi
Okapi (fr) data
{
  infobox: <dict(2)> count, boxes
  ...
}

>>> page.data['infobox']['count']
13

>>> page.data['infobox']['boxes']
[{u'Taxobox d\xe9but': [[{'index': '1'}, 'animal'],
   [{'index': '2'}, "''Okapia johnstoni''"],
   [{'index': '3'}, 'Okapi2.jpg'],
   [{'index': '4'}, 'Okapi']]},
 {'Taxobox': [[{'index': '1'}, 'embranchement'],
   [{'index': '2'}, 'Chordata']]},
 {'Taxobox': [[{'index': '1'}, 'classe'], [{'index': '2'}, 'Mammalia']]},
 {'Taxobox': [[{'index': '1'}, 'sous-classe'], [{'index': '2'}, 'Theria']]},
 {'Taxobox': [[{'index': '1'}, 'ordre'], [{'index': '2'}, 'Artiodactyla']]},
 {'Taxobox': [[{'index': '1'}, 'famille'], [{'index': '2'}, 'Giraffidae']]},
 {'Taxobox taxon': [[{'index': '1'}, 'animal'],
   [{'index': '2'}, 'genre'],
   [{'index': '3'}, 'Okapia'],
   [{'index': '4'}, '[[Edwin Ray Lankester|Lankester]], [[1901]]']]},
 {'Taxobox taxon': [[{'index': '1'}, 'animal'],
   [{'index': '2'}, u'esp\xe8ce'],
   [{'index': '3'}, 'Okapia johnstoni'],
   [{'index': '4'}, '([[Philip Lutley Sclater|Sclater]], [[1901]])']]},
 {'Taxobox synonymes': [[{'index': '1'},
    "* ''Equus johnstoni'' <small>P.L. Sclater, 1901</small>"]]},
 {'Taxobox UICN': [[{'index': '1'}, 'EN'], [{'index': '2'}, 'A2abcd+4abcd']]},
 {u'Taxobox r\xe9partition': [[{'index': '1'}, 'Okapi map.jpg']]},
 {u'Taxobox r\xe9partition': [[{'index': '1'}, 'Okapi distribution.PNG']]},
 {'Taxobox fin': []}]

希望对您有所帮助。