22 lines
671 B
Markdown
22 lines
671 B
Markdown
# dp2021
|
|
|
|
## Parsovanie wikipédie
|
|
|
|
1. Parsovanie bzip2 suboru z [skwikidump](https://dumps.wikimedia.org/skwiki/20200401/) pomocou nástroja [wikiextractor](https://github.com/attardi/wikiextractor)
|
|
|
|
Príkaz na použitie nástroja wikiextractor
|
|
|
|
python WikiExtractor.py "cesta k bzip2 súboru" -s -l -o "priečinok pre výstupné súbory"
|
|
|
|
2. Prerobenie 232 453 rozparsovaných článkov do formátu json (kvôli jednoduchšej práce s formátom json)
|
|
```
|
|
[
|
|
"nazov článku": {
|
|
"id článku",
|
|
"url článku",
|
|
"text článku rozdelený do paragrafov",
|
|
"názvy ostatných článkov na ktoré sa článok odkazuje"
|
|
}
|
|
]
|
|
```
|