wikidata/parse.php

   1 #!/usr/bin/php -Cq
   2 <?php
   3
   4 $hFile = @fopen("wikidatawiki-20130623-pages-articles.xml", "r");
   5
   6 $hFileEntity = fopen("entity.csv", "w");
   7 $hFileEntityLabel = fopen("entity_label.csv", "w");
   8 $hFileEntityDescription = fopen("entity_description.csv", "w");
   9 $hFileEntityAlias = fopen("entity_alias.csv", "w");
  10 $hFileEntityLink = fopen("entity_link.csv", "w");
  11 $hFileEntityProperty = fopen("entity_property.csv", "w");
  12
  13 $iCount = 0;
  14
  15 $sTitle = '';
  16 $iNS = false;
  17 $iID = false;
  18
  19 if ($hFile) {
  20     while (($sLine = fgets($hFile, 4000000)) !== false) {
  21         if (substr($sLine, 0, 11) == '    <title>') {
  22             $sTitle = substr($sLine, 11, -9);
  23         }
  24         else if (substr($sLine, 0, 8) == '    <ns>') {
  25             $iNS = (int)substr($sLine, 8, -6);
  26         }
  27         else if (substr($sLine, 0, 8) == '    <id>') {
  28             $iID = (int)substr($sLine, 8, -6);
  29         }
  30         else if (substr($sLine, 0, 33) == '      <text xml:space="preserve">') {
  31             if ($iNS == -2) continue;
  32             if ($iNS == -1) continue;
  33             if ($iNS == 1) continue;
  34             if ($iNS == 2) continue;
  35             if ($iNS == 3) continue;
  36             if ($iNS == 4) continue;
  37             if ($iNS == 5) continue;
  38             if ($iNS == 6) continue;
  39             if ($iNS == 7) continue;
  40             if ($iNS == 8) continue;
  41             if ($iNS == 9) continue;
  42             if ($iNS == 10) continue;
  43             if ($iNS == 11) continue;
  44             if ($iNS == 12) continue;
  45             if ($iNS == 13) continue;
  46             if ($iNS == 14) continue;
  47             if ($iNS == 15) continue;
  48             if ($iNS == 121) continue;
  49             if ($iNS == 123) continue;
  50             if ($iNS == 829) continue;
  51             if ($iNS == 1198) continue;
  52             if ($iNS == 1199) continue;
  53             $sText = html_entity_decode(substr($sLine, 33, -8), ENT_COMPAT, 'UTF-8');
  54             $aArticle = json_decode($sText, true);
  55
  56             if (array_diff(array_keys($aArticle), array("label", "description", "aliases", "links", "entity", "claims", "datatype")) != array()) {
  57                 // DEBUG
  58                 var_dump($sTitle);
  59                 var_dump(array_keys($aArticle));
  60                 var_dump($aArticle);
  61                 exit;
  62             }
  63
  64             $iPID = $iQID = null;
  65             if ($aArticle['entity'][0] == 'p') {
  66                 $iPID = (int)substr($aArticle['entity'], 1);
  67             } else if ($aArticle['entity'][0] == 'q') {
  68                 $iQID = (int)substr($aArticle['entity'], 1);
  69             } else {
  70                 continue;
  71             }
  72
  73             echo ".";
  74
  75             fputcsv($hFileEntity, array($iID,$sTitle,$iPID,$iQID,@$aArticle['datatype']));
  76
  77             foreach($aArticle['label'] as $sLang => $sLabel) {
  78                 fputcsv($hFileEntityLabel, array($iID,$sLang,$sLabel));
  79                 // echo "insert into entity_label values (".$iID.",'".pg_escape_string($sLang)."','".pg_escape_string($sLabel)."');\n";
  80             }
  81
  82             foreach($aArticle['description'] as $sLang => $sLabel) {
  83                 fputcsv($hFileEntityDescription, array($iID,$sLang,$sLabel));
  84                 // echo "insert into entity_description values (".$iID.",'".pg_escape_string($sLang)."','".pg_escape_string($sLabel)."');\n";
  85             }
  86
  87             foreach($aArticle['aliases'] as $sLang => $aLabels) {
  88                 $aUniqueAlias = array();
  89                 foreach($aLabels as $sLabel) {
  90                     if (!isset($aUniqueAlias[$sLabel]) && $sLabel) {
  91                     fputcsv($hFileEntityAlias, array($iID,$sLang,$sLabel));
  92                     // echo "insert into entity_alias values (".$iID.",'".pg_escape_string($sLang)."','".pg_escape_string($sLabel)."');\n";
  93                     $aUniqueAlias[$sLabel] = true;
  94                 }
  95             }
  96         }
  97
  98         foreach($aArticle['links'] as $sLang => $sLabel) {
  99             fputcsv($hFileEntityLink, array($iID,$sLang,$sLabel));
 100             // echo "insert into entity_link values (".$iID.",'".pg_escape_string($sLang)."','".pg_escape_string($sLabel)."');\n";
 101         }
 102
 103
 104         if (isset($aArticle['claims'])) {
 105
 106             foreach($aArticle['claims'] as $iClaim => $aClaim) {
 107
 108                 $bFail = false;
 109             if ($aClaim['m'][0] == 'novalue') continue;
 110             if ($aClaim['m'][0] == 'somevalue') continue;
 111             $iPID = (int)$aClaim['m'][1];
 112             if ($aClaim['m'][0] != 'value') $bFail = true;
 113             if ($aClaim['m'][2]== 'wikibase-entityid') {
 114
 115                 if ($aClaim['m'][3]['entity-type'] != 'item') $bFail = true;
 116                 fputcsv($hFileEntityProperty, array($iID,$iClaim,$iPID,null,$aClaim['m'][3]['numeric-id'],null,null));
 117                 // echo "insert into entity_property values (nextval('seq_entity_property'),".$iID.",".$iPID.",null,".$aClaim['m'][3]['numeric-id'].",null);\n";
 118
 119             } elseif ($aClaim['m'][2] == 'globecoordinate') {
 120
 121                 if ($aClaim['m'][3]['globe'] != 'http://www.wikidata.org/entity/Q2') $bFail = true;
 122                 fputcsv($hFileEntityProperty, array($iID,$iClaim,$iPID,null,null,"SRID=4326;POINT(".((float)$aClaim['m'][3]['longitude'])." ".((float)$aClaim['m'][3]['latitude']).")",null));
 123                 // echo "insert into entity_property values (nextval('seq_entity_property'),".$iID.",".$iPID.",null,null,ST_SetSRID(ST_MakePoint(".((float)$aClaim['m'][3]['longitude']).", ".((float)$aClaim['m'][3]['latitude'])."),4326));\n";
 124
 125             } elseif ($aClaim['m'][2] == 'time') {
 126                 // TODO!
 127 /*
 128         if ($aClaim['m'][3]['calendarmodel'] == 'http://www.wikidata.org/entity/Q1985727') {
 129             // Gregorian
 130             if (preg_match('#(\\+|-)0*([0-9]{4})-([0-9]{2}-[0-9]{2}T[0-9]{2}:[0-9]{2}:[0-9]{2})Z#', $aClaim['m'][3]['time'], $aMatch)) {
 131                 if ((int)$aMatch[2] < 4700 && ) {
 132                     $sDateString = $aMatch[2].'-'.$aMatch[3].($aClaim['m'][3]['timezone']>=0?'+':'').$aClaim['m'][3]['timezone'].($aMatch[1]=='-'?' bc':'');
 133                     fputcsv($hFileEntityProperty, array($iID,$iClaim,$iPID,null,null,null,$sDateString));
 134                 }
 135             } else {
 136 //              $bFail = true;
 137             }
 138         } elseif ( $aClaim['m'][3]['calendarmodel'] != 'http://www.wikidata.org/entity/Q1985786') {
 139 / *
 140             // Julian
 141             if (preg_match('#(\\+|-)0*([0-9]{4})-([0-9]{2})-([0-9]{2})T([0-9]{2}:[0-9]{2}:[0-9]{2})Z#', $aClaim['m'][3]['time'], $aMatch)) {
 142 var_dump($aMatch);
 143 exit;
 144 $iDayCount = juliantojd(2, 11, 1732);
 145 var_dump($iDayCount, jdtogregorian($iDayCount));
 146             } else {
 147                 $bFail = true;
 148 exit;
 149             }
 150 exit;
 151 * /
 152         } else {
 153 //          $bFail = true;
 154         }
 155 */
 156             } elseif ($aClaim['m'][2] == 'string') {
 157
 158                 // echo "insert into entity_property values (nextval('seq_entity_property'),".$iID.",".$iPID.",'".pg_escape_string($aClaim['m'][3])."',null,null);\n";
 159                 fputcsv($hFileEntityProperty, array($iID,$iClaim,$iPID,$aClaim['m'][3],null,null,null));
 160
 161             } else {
 162
 163                 $bFail = true;
 164
 165             }
 166
 167             // Don't care about sources:    if ($aClaim['refs'] != array()) $bFail = true;
 168
 169             if ($bFail) {
 170                 var_dump($sTitle);
 171                 var_dump($aClaim);
 172             } else {
 173                 // process
 174             }
 175
 176         }
 177
 178             }
 179         }
 180     }
 181     fclose($hFile);
 182     fclose($hFileEntity);
 183     fclose($hFileEntityLabel);
 184     fclose($hFileEntityDescription);
 185     fclose($hFileEntityAlias);
 186     fclose($hFileEntityLink);
 187     fclose($hFileEntityProperty);
 188 }