projects.mako.cc - harrypotter-wikipedia-cdsw/blob - build_hpwp_dataset.py

   1 #!/usr/bin/env python
   2 # coding=utf-8
   3
   4 import encoding_fix
   5 import requests
   6
   7 # get_article_revisions is a function that takes an article title in
   8 # wikipedia and return a list of all the revisions and metadata for
   9 # that article
  10 def get_article_revisions(title):
  11     revisions = []
  12
  13     # create a base url for the api and then a normal url which is initially
  14     # just a copy of it
  15     # The following line is what the requests call is doing, basically.
  16     # "http://en.wikipedia.org/w/api.php/?action=query&titles={0}&prop=revisions&rvprop=flags|timestamp|user|size|ids&rvlimit=500&format=json&continue=".format(title)
  17     wp_api_url = "http://en.wikipedia.org/w/api.php/"
  18
  19     parameters = {'action' : 'query',
  20                   'titles' : title,
  21                   'prop' : 'revisions',
  22                   'rvprop' : 'flags|timestamp|user|size|ids',
  23                   'rvlimit' : 500,
  24                   'format' : 'json',
  25                   'continue' : '' }
  26
  27     # we'll repeat this forever (i.e., we'll only stop when we find
  28     # the "break" command)
  29     while True:
  30         # the first line open the urls but also handles unicode urls
  31         call = requests.get(wp_api_url, params=parameters)
  32         api_answer = call.json()
  33
  34         # get the list of pages from the json object
  35         pages = api_answer["query"]["pages"]
  36
  37         # for every page, (there should always be only one) get its revisions:
  38         for page in pages.keys():
  39             query_revisions = pages[page]["revisions"]
  40
  41             # for every revision, first we do some cleaning up
  42             for rev in query_revisions:
  43                 #print(rev)
  44                 # let's continue/skip this revision if the user is hidden
  45                 if "userhidden" in rev:
  46                     continue
  47
  48                 # 1: add a title field for the article because we're going to mix them together
  49                 rev["title"] = title
  50
  51                 # 2: let's "recode" anon so it's true or false instead of present/missing
  52                 if "anon" in rev:
  53                     rev["anon"] = True
  54                 else:
  55                     rev["anon"] = False
  56
  57                 # 3: let's recode "minor" in the same way
  58                 if "minor" in rev:
  59                     rev["minor"] = True
  60                 else:
  61                     rev["minor"] = False
  62
  63                 # we're going to change the timestamp to make it work a little better in excel/spreadsheets
  64                 rev["timestamp"] = rev["timestamp"].replace("T", " ")
  65                 rev["timestamp"] = rev["timestamp"].replace("Z", "")
  66
  67                 # finally, save the revisions we've seen to a varaible
  68                 revisions.append(rev)
  69
  70         # 'continue' tells us there's more revisions to add
  71         if 'continue' in api_answer:
  72             # replace the 'continue' parameter with the contents of the
  73             # api_answer dictionary.
  74             parameters.update(api_answer['continue'])
  75         else:
  76             break
  77
  78     # return all the revisions for this page
  79     return(revisions)
  80
  81 category = "Harry Potter"
  82
  83 # we'll use another api called catscan2 to grab a list of pages in
  84 # categories and subcategories. it works like all the other apis we've
  85 # studied!
  86 #
  87 # The following requests call basically does the same thing as this string:
  88 # "http://tools.wmflabs.org/catscan2/catscan2.php?depth=10&categories={0}&doit=1&format=json".format(category)
  89 url_catscan = "https://petscan.wmflabs.org/"
  90
  91 parameters = {'depth' : 10,
  92               'categories' : category,
  93               'format' : 'json',
  94               'doit' : 1}
  95
  96 # r = requests.get("http://tools.wmflabs.org/catscan2/catscan2.php?depth=10&categories=Harry Potter&doit=1&format=json"
  97
  98 r = requests.get(url_catscan, params=parameters)
  99 articles_json = r.json()
 100 articles = articles_json["*"][0]["a"]["*"]
 101
 102 # open a file to write all the output
 103 output = open("hp_wiki.tsv", "w", encoding="utf-8")
 104 output.write("\t".join(["title", "user", "timestamp", "size", "anon", "minor", "revid"]) + "\n")
 105
 106 # for every article
 107 for article in articles:
 108     # skip this until it's an article
 109     if article["namespace"] != 0:
 110         continue
 111
 112     # first grab the article's title
 113     title = article["title"]
 114     print(title)
 115
 116     # get the list of revisions from our function and then iterate through it,
 117     # printing it to our output file
 118     revisions = get_article_revisions(title)
 119     for rev in revisions:
 120         output.write("\t".join(['"' + rev["title"] + '"', '"' + rev["user"] + '"',
 121                                rev["timestamp"], str(rev["size"]), str(rev["anon"]),
 122                                str(rev["minor"]), str(rev["revid"])]) + "\n")
 123
 124 # close the file, we're done here!
 125 output.close()
 126