使用 Python 获取 Wikipedia 文章

Posted 2023-03-31

【中文标题】使用 Python 获取 Wikipedia 文章

【英文标题】：Fetch a Wikipedia article with Python

【发布时间】：2010-09-12 07:31:59

【问题描述】：

我尝试使用 Python 的 urllib 获取 Wikipedia 文章：

f = urllib.urlopen("http://en.wikipedia.org/w/index.php?title=Albert_Einstein&printable=yes")           
s = f.read()
f.close()

但是，我得到以下响应而不是 html 页面：错误 - 维基媒体基金会：

Request: GET http://en.wikipedia.org/w/index.php?title=Albert_Einstein&printable=yes, from 192.35.17.11 via knsq1.knams.wikimedia.org (squid/2.6.STABLE21) to ()
Error: ERR_ACCESS_DENIED, errno [No Error] at Tue, 23 Sep 2008 09:09:08 GMT 

***似乎阻止了不是来自标准浏览器的请求。

有人知道如何解决这个问题吗？

【问题讨论】：

***不会阻止来自标准浏览器的请求，它会阻止来自标准库的请求而不更改其用户代理。

【参考方案1】：

您需要使用在python std library 中取代urllib 的urllib2 来更改用户代理。

直接来自examples

import urllib2
opener = urllib2.build_opener()
opener.addheaders = [('User-agent', 'Mozilla/5.0')]
infile = opener.open('http://en.wikipedia.org/w/index.php?title=Albert_Einstein&printable=yes')
page = infile.read()

【讨论】：

***试图阻止屏幕抓取工具是有原因的。当有更简单的方法来获取文章内容时，他们的服务器必须做很多工作才能将 wikicode 转换为 HTML。 en.wikipedia.org/wiki/…

您不应该尝试使用像Mozilla/5.0 这样的用户代理来模拟浏览器。相反，you should use an informative user agent with some contact information.

【参考方案2】：

这不是针对特定问题的解决方案。但是，您可能会觉得使用 mwclient 库 (http://botwiki.sno.cc/wiki/Python:Mwclient) 会很有趣。那会容易得多。特别是因为您将直接获取文章内容，从而无需您解析 html。

我自己用过两个项目，效果很好。

【讨论】：

使用第三方库可以通过几行代码轻松完成内置库，这不是一个好建议。

由于 mwclient 使用 mediawiki api，它不需要解析内容。而且我猜原始海报想要内容，而不是带有菜单和所有内容的原始 html。

【参考方案3】：

与其试图欺骗***，不如考虑使用他们的High-Level API。

【讨论】：

这反过来仍然会使用库默认的用户代理标头阻止来自urllib 的请求。所以 OP 仍然会遇到同样的问题，尽管 API 可能是一种更简单的方式来连接 wiki 内容，这取决于 OP 的目标是什么。

它们对我来说很好用。他们不为你工作吗？例如：en.wikipedia.org/w/… 或 en.wikipedia.org/w/…

【参考方案4】：

如果您尝试访问 Wikipedia 内容（并且不需要有关页面本身的任何特定信息），您应该只使用 'action=raw' 调用 index.php 来获取wikitext，例如：

'http://en.wikipedia.org/w/index.php?action=raw&title=Main_Page'

或者，如果您想要 HTML 代码，请使用 'action=render'，如下所示：

'http://en.wikipedia.org/w/index.php?action=render&title=Main_Page'

您还可以定义一个部分来获取部分内容，例如“section=3”。

然后您可以使用 urllib2 模块访问它（如所选答案中所建议的那样）。 但是，如果您需要有关页面本身的信息（例如修订），您最好使用上面建议的 mwclient。

如果您需要更多信息，请参阅MediaWiki's FAQ。

【讨论】：

您好，如果我不知道节编号为 3，但我知道节标题为“名词”，如何获取该特定节？

【参考方案5】：

我对任何网站使用的一般解决方案是使用 Firefox 访问该页面，并使用 Firebug 等扩展程序记录 HTTP 请求的所有详细信息，包括任何 cookie。

在您的程序中（在本例中为 Python），您应该尝试发送一个与 Firefox 类似的 HTTP 请求。这通常包括设置 User-Agent、Referer 和 Cookie 字段，但可能还有其他字段。

【参考方案6】：

requests 太棒了！

以下是使用requests 获取html 内容的方法：

import requests
html = requests.get('http://en.wikipedia.org/w/index.php?title=Albert_Einstein&printable=yes').text

完成！

【参考方案7】：

尝试将您在请求中发送的用户代理标头更改为： 用户代理：Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.1) Gecko/2008072820 Ubuntu/8.04 (hardy) Firefox/3.0.1 (Linux Mint)

【参考方案8】：

您无需模拟浏览器用户代理；任何用户代理都可以工作，而不是空白。

【讨论】：

urllib 和 urllib2 都发送一个用户代理

s/blank/blank or default/ — 这个想法正是您应该通过用户代理标头以某种方式识别您的机器人。这就是他们阻止urllib 默认的原因。

【参考方案9】：

使用?printable=yes 请求页面会给你一个完整的相对干净的HTML 文档。 ?action=render 只为您提供正文 HTML。使用 action=parse 请求通过 MediaWiki 操作 API 解析页面同样只为您提供正文 HTML，但如果您想要更好的控制，see parse API help 会很好。

如果您只想要页面 HTML 以便可以呈现它，那么使用新的RESTBase API 会更快更好，它会返回页面的缓存 HTML 表示。在这种情况下，https://en.wikipedia.org/api/rest_v1/page/html/Albert_Einstein。

自 2015 年 11 月起，您无需设置用户代理，而是设置 it's strongly encouraged。此外，几乎所有 Wikimedia wiki require HTTPS，因此请避免 301 重定向并发出 https 请求。

【参考方案10】：

import urllib
s = urllib.urlopen('http://en.wikipedia.org/w/index.php?action=raw&title=Albert_Einstein').read()

这似乎对我有用，而无需更改用户代理。没有“action=raw”，它对我不起作用。