从 Wikipedia XML 转储中获取文章 - 按标题 [重复]

Question

我知道这个问题可能比看起来简单，但是在阅读了大量材料之后，我真的很困惑。

所以，我已经下载了一个维基百科转储（准确地说是这个：enwiktionary-20151002-pages-articles-multistream.xml.bz2 - 它应该包含来自英语维基词典的所有文章）。我想要的是按标题获取特定文章的内容（与在 Wikipedia 本身中搜索它的方式相同）。

注意：我不想要 HTML（由维基百科生成）。我想要“真实”的内容，正如您在“编辑”维基百科中的任何文章时看到的那样。

简而言之：

• 搜索带有标题的文章，例如“书”
• 获取内容

我应该怎么做？

---

附：我不是在寻找特定于语言的解决方案。我只是需要一些关于如何解决这个问题的想法。

Answer 1

如果您只是了解一小部分信息，您可以使用 Wikipedias JSON API... https://en.wikipedia.org/w/api.php?format=json&action=query&prop=extracts&exintro=&explaintext=&titles=book

如果你想要完整的文章，那么我相信你可以使用这个： https://en.wikipedia.org/w/api.php?format=json&action=query&prop=extracts&explaintext=&titles=book

这两个来源之间的区别在于，在第一个中，我们设置了“exintro”，而在第二个链接中，我们设置了“说明文本”。这些部分使用“\n\n\n===”和“===\n”进行分割。有了这些信息，您可以挑选出一个部分的结尾并找到一个新部分的开头以及部分名称。

欲了解更多信息，请查看https://en.wikipedia.org/w/api.php?action=help&modules=query%2Bextracts

抱歉，这不是 XML。