从维基百科数据库转储生成纯文本

Question

我发现了一个Python脚本(这里：维基百科抽取器)，可以从(英文)维基百科数据库转储中生成纯文本。 当我按照脚本页面上所示的命令运行时：

$ python enwiki-latest-pages-articles.xml WikiExtractor.py -b 500K -o extracted

我遇到了这个错误：

文件 "enwiki-latest-pages-articles.xml"，第1行 < mediawiki xmlns="http://www.mediawiki.org/xml/export-0.8/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.mediawiki.org/xml/export-0.8/http://www.mediawiki.org/xml/export-0.8.xsd" version="0.8" xml:lang="en">

^
SyntaxError: invalid syntax

我正在 Windows 7 上使用 Python 2.7.6 和 Cygwin 执行脚本。

我希望有过使用该脚本或具有 Python 经验的人能够帮助我解决这个错误。

提前致谢！

- Asim

Answer 1

使用Python时，第一个参数应该是脚本名称。

您可能需要交换xml和py文件名：

$ python WikiExtractor.py enwiki-latest-pages-articles.xml -b 500K -o extracted

- alecxe

---

感谢您的回复。虽然我使用的是脚本页面中所述的正确顺序，但我尝试了您建议的顺序，并得到了这个结果：“Usage: WikiExtractor.py [options]”，这意味着文件名应该放在第一位。 - Asim

@Asim，我认为你几乎是正确的 - 文件内容应该被连接到维基百科提取器，例如 cat enwiki-latest-pages-articles.xml | python WikiExtractor.py -b 500K -o extracted。试一试吧。 - alecxe

哇，终于可以工作了！非常感谢你，我真的很感激。 - Asim

@Asim请考虑接受这个答案，谢谢。 - alecxe