1

我想从特定的 Wikipedia 页面（主要是国家/地区）中提取 Infobox 中的信息。具体来说，如果可能的话，我想在不使用Python+BeautifulSoup4或任何其他语言 + 库的情况下实现这一点。我宁愿使用官方 API，因为我注意到不同 Wikipedia 子域的 CSS 标签是不同的（与其他语言一样）。

在如何从 Mediawiki API 的维基百科文章中获取信息框？声明使用以下方法会起作用，对于给定的标题Scary Monsters and Nice Sprites（

https://en.wikipedia.org/w/api.php?action=query&prop=revisions&rvprop=content&format=xmlfm&titles=Scary%20Monsters%20and%20Nice%20Sprites&rvsection=0

但是，我想Wikimedia更改了他们的infobox模板，因为当我运行上述查询时，我得到的只是内容，而不是infobox. 例如Europäische_Union，在以下代码段中对 (European_Union) 结果（以及其他）运行查询

{{Infobox Europäische Union}}
<!--{{Infobox Staat}} <- Vorlagen-Parameter liegen in [[Spezial:Permanenter Link/108232313]] -->

不过，它适用于英文版的 Wikipedia。

所以我想从中提取信息框的页面是：http://de.wikipedia.org/wiki/Europäische_Union

这是我正在使用的代码：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import sys
reload(sys)
sys.setdefaultencoding("utf-8")

import lxml.etree
import urllib

title = "Europäische_Union"

params = { "format":"xml", "action":"query", "prop":"revisions", "rvprop":"content", "rvsection":0 }
params["titles"] = "API|%s" % urllib.quote(title.encode("utf8"))
qs = "&".join("%s=%s" % (k, v)  for k, v in params.items())
url = "http://de.wikipedia.org/w/api.php?%s" % qs
tree = lxml.etree.parse(urllib.urlopen(url))
revs = tree.xpath('//rev')

print revs[-1].text

我错过了一些非常重要的东西吗？

4

1 回答 1

0

数据不得来自维基百科，而是来自维基百科的结构化数据对应的维基数据。（另外，这不是一个标准的信息框：它没有参数，而是填充在模板本身上。）

使用 Wikidata API 模块wbgetclaims获取欧盟的所有数据：

https://www.wikidata.org/w/api.php?action=wbgetclaims&entity=Q458

整洁多了，嗯？有关更多信息，请参阅https://www.wikidata.org/wiki/Wikidata:Data_access。

于 2015-07-28T09:54:11.103 回答