6

好吧，我只是想解析Wikimedia提供的维基词典数据转储。

我的意图是将 XML 数据转储到 MySQL 数据库中。我没有找到有关此 XML 结构的适当文档。此外，我无法打开该文件，因为它实际上非常大（~1 GB）。

我想用一些 PHP 脚本来解析它，但我对要继续的 XML 结构一无所知。因此，如果有人已经使用 PHP 解析（或知道任何解析工具）到 MySQL，请分享详细信息。如果在 PHP 中什么都没有，其他方法也可以。

我刚刚关注了这篇文章（http://www.igrec.ca/lexicography/installing-a-local-copy-of-wiktionary-mysql/）但没有成功..:(如果有人成功了过程，请帮助。在此先感谢。

4

1 回答 1

4

这些文件可以在 PHP 中进行解析，并在流XMLReader上进行操作。您拥有的文件的结构是示例性的（查看大约前 3000 个元素）：compress.bzip2://

\-mediawiki (1)
  |-siteinfo (1)
  | |-sitename (1)
  | |-base (1)
  | |-generator (1)
  | |-case (1)
  | \-namespaces (1)
  |   \-namespace (40)
  \-page (196)
    |-title (196)
    |-ns (196)
    |-id (196)
    |-restrictions (2)
    |-revision (196)
    | |-id (196)
    | |-parentid (194)
    | |-timestamp (196)
    | |-contributor (196)
    | | |-username (182)
    | | |-id (182)
    | | \-ip (14)
    | |-comment (183)
    | |-text (195)
    | |-sha1 (195)
    | |-model (195)
    | |-format (195)
    | \-minor (99)
    \-redirect (5)

文件本身有点大，因此需要相当长的时间来处理。或者，不要对 XML 转储进行操作，而只需通过mysql命令行工具导入 SQL 转储。该站点上也提供 SQL 转储，请参阅英语维基词典的所有转储格式：

整个文件有点大，有超过 66 849 000 个元素：

\-mediawiki (1)
  |-siteinfo (1)
  | |-sitename (1)
  | |-base (1)
  | |-generator (1)
  | |-case (1)
  | \-namespaces (1)
  |   \-namespace (40)
  \-page (3993913)
    |-title (3993913)
    |-ns (3993913)
    |-id (3993913)
    |-restrictions (552)
    |-revision (3993913)
    | |-id (3993913)
    | |-parentid (3572237)
    | |-timestamp (3993913)
    | |-contributor (3993913)
    | | |-username (3982087)
    | | |-id (3982087)
    | | \-ip (11824)
    | |-comment (3917241)
    | |-text (3993913)
    | |-sha1 (3993913)
    | |-model (3993913)
    | |-format (3993913)
    | \-minor (3384811)
    |-redirect (27340)
    \-DiscussionThreading (4698)
      |-ThreadSubject (4698)
      |-ThreadPage (4698)
      |-ThreadID (4698)
      |-ThreadAuthor (4698)
      |-ThreadEditStatus (4698)
      |-ThreadType (4698)
      |-ThreadSignature (4698)
      |-ThreadParent (3605)
      |-ThreadAncestor (3605)
      \-ThreadSummaryPage (11)
于 2014-08-10T19:46:42.297 回答