【发布时间】：2015-04-05 21:45:28
【问题描述】：
我想从特定的 Wikipedia 页面（主要是国家/地区）中提取 Infobox 中的信息。具体来说，如果可能的话，我想在不使用Python + BeautifulSoup4 或任何其他语言+库的情况下实现这一点。我宁愿使用官方 API，因为我注意到不同 Wikipedia 子域的 CSS 标签是不同的（与其他语言一样）。
在How to get Infobox from a Wikipedia article by Mediawiki API? 中声明使用以下方法会起作用，对于给定的标题 (Scary Monsters and Nice Sprites) 确实如此，但不幸的是在我尝试过的页面上不起作用（下文详述）。
https://en.wikipedia.org/w/api.php?action=query&prop=revisions&rvprop=content&format=xmlfm&titles=Scary%20Monsters%20and%20Nice%20Sprites&rvsection=0
但是，我想Wikimedia 更改了他们的infobox 模板，因为当我运行上述查询时，我得到的只是内容，而不是infobox。例如。在以下 sn-p 中对 Europäische_Union (European_Union) 结果（以及其他）运行查询
{{Infobox Europäische Union}}
<!--{{Infobox Staat}} <- Vorlagen-Parameter liegen in [[Spezial:Permanenter Link/108232313]] -->
不过，它适用于英文版的 Wikipedia。
所以我想从中提取信息框的页面是：http://de.wikipedia.org/wiki/Europäische_Union
这是我正在使用的代码：
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import sys
reload(sys)
sys.setdefaultencoding("utf-8")
import lxml.etree
import urllib
title = "Europäische_Union"
params = { "format":"xml", "action":"query", "prop":"revisions", "rvprop":"content", "rvsection":0 }
params["titles"] = "API|%s" % urllib.quote(title.encode("utf8"))
qs = "&".join("%s=%s" % (k, v) for k, v in params.items())
url = "http://de.wikipedia.org/w/api.php?%s" % qs
tree = lxml.etree.parse(urllib.urlopen(url))
revs = tree.xpath('//rev')
print revs[-1].text
我是否遗漏了一些非常重要的东西？
【问题讨论】：
标签： python web-scraping wikipedia-api mediawiki-api wikidata