如何使用MediaWiki::DumpFile将维基百科的XML转换为HTML？

Question

在页面 MediaWiki::DumpFile 上，下面的代码已经存在：

  use MediaWiki::DumpFile;

  $mw = MediaWiki::DumpFile->new;

  $sql = $mw->sql($filename);
  $sql = $mw->sql(\*FH);

  $pages = $mw->pages($filename);
  $pages = $mw->pages(\*FH);

  $fastpages = $mw->fastpages($filename);
  $fastpages = $mw->fastpages(\*FH);

  use MediaWiki::DumpFile::Compat;

  $pmwd = Parse::MediaWikiDump->new;

我完全不懂Perl，不知道如何使用 $fastpages 从XML转储中保存所有HTML页面（或文本），你能帮助我吗？另外，* FH是什么？

- DSblizzard

---

在寻找提取库的过程中，我发现了这个优秀的页面：http://medialab.di.unipi.it/wiki/Wikipedia_Extractor 。它可以替代所提出的方法。 - DSblizzard

Answer 1

我没有使用过它，但MediaWiki::DumpFile::FastPages的文档提供了以下示例，用于在转储文件中打印每篇文章的标题和文本：

use MediaWiki::DumpFile::FastPages;

$pages = MediaWiki::DumpFile::FastPages->new($file);
$pages = MediaWiki::DumpFile::FastPages->new(\*FH);

while(($title, $text) = $pages->next) {
  print "Title: $title\n";
  print "Text: $text\n";
}

这会将所有内容写入 stdout。创建 MediaWiki::DumpFile::FastPages 对象时，可以传递文件名，例如：

$file = "/path/to/dump/file";
$pages = MediaWiki::DumpFile::FastPages->new($file);

或者是对文件句柄的引用，例如：

open FH, "<", "/path/to/dump/file" or die "Failed to open file: $!";
$pages = MediaWiki::DumpFile::FastPages->new(\*FH);

- ThisSuitIsBlackNot