首先感谢 ：
1.https://blog.csdn.net/qq_39023569/article/details/88556301
2.https://www.cnblogs.com/CherishFX/p/5280259.html
3.https://www.cs.bgu.ac.il/~elhadad/nlp12/jwpl/wikification.html
4.https://blog.csdn.net/Icy233333/article/details/80383336
一。中文维基数据准备。
https://dumps.wikimedia.org/zhwiki/latest/
选择：
LANGCODE]wiki-[DATE]-pages-articles.xml.bz2
[LANGCODE]wiki-[DATE]-pagelinks.sql.gz
[LANGCODE]wiki-[DATE]-categorylinks.sql.gz
注：维基服务器限流，并且时不时会中断。可以直接使用linux 的 wget -c https://xxxxxxxxxxxxxxxxxxxx 方式实现可断点续接的下载。
下载完后放在一个文件夹下。 我放在 F:\zhwiki2019\~ 下。
二。下载JWPL DataMachine jar包解析数据文件
直接去maven库中下载整个jar-with-dependencies.jar。下载地址：http://search.maven.org/#search|ga|1|tudarmstadt.ukp
搜索de.tudarmstadt.ukp.wikipedia.datamachine对应的 jar-with-dependencies.jar 文件下载。
下载后和数据放在同一目录下。
三。打开cmd，cd到zhwiki2019目录下，输入以下命令解析。
java -cp jar-with-dependencies.jar de.tudarmstadt.ukp.wikipedia.datamachine.domain.JWPLDataMachine [LANGUAGE] [MAIN_CATEGORY_NAME] [DISAMBIGUATION_CATEGORY_NAME] [SOURCE_DIRECTORY]
其中，
LANGUAGE: 指jwpl支持的语言，选择一个你下载的wikipedia语言，比如english, chinese
MAIN_CATEGORY_NAME: 填写一个Wikipedia类别层次上属于顶层的类别，比如：Contents
DISAMBIGUATION_CATEGORY_NAME: 填写一个有消歧类别的类别名，比如：Disambiguation_pages
SOURCE_DIRECTORY: 上面三个wikipedia文件的目录，比如： ~/En2019
我的命令：
java -Dfile.encoding=utf8 -cp de.tudarmstadt.ukp.wikipedia.datamachine-0.9.1-jar-with-dependencies.jar de.tudarmstadt.ukp.wikipedia.datamachine.domain.JWPLDataMachine chinese Contents Disambiguation_pages ~/zhwiki2019
如果你的系统默认编码不是utf-8(比如windows), 可能需要再加一个参数：-Dfile.encoding=utf8；
解析的时间看数据量的大小和你的cpu。之后会在output下生成11个txt.这11个txt就是之后要导入mysql的11个表。
这些文件的解释：
1 category --> 类别信息 2 pageId：类别ID，唯一 3 name：类别名 4 5 category_inlinks --> 指向类别的链接信息 6 id：类别ID，不唯一 7 inLinks：该类别父类ID，也就是指向该类别的类别ID 8 9 category_outlinks --> 类别指向的链接信息 10 id：类别ID，不唯一 11 outLinks：该类别子类ID，也就是该类别指向的那些类别的ID 12 13 category_pages --> 页面与类别的关系表 14 id：类别ID，不唯一 15 pages：属于该类别ID的页面ID 16 17 metadata --> 该wikipedia的一些元信息，只有一条记录 18 language：语言 19 disambiguationCategory：运行DataMachine填写的消歧类别 20 mainCategory：运行DataMachine填写的顶层类别 21 nrofPages：页面个数 22 nrofRedirects：重定向个数 23 nrofDisambiguationPages：消歧页面个数 24 nrofCategories：类别个数 25 version 26 27 page --> 页面信息 28 pageId：页面ID 29 name：名字 30 text：全文，包含wikimeida的标记信息 31 isDisambiguation：是否是消岐页面 32 33 page_categories --> 页面与类别的关系表与category_pages信息重复 34 35 page_inlinks --> 指向页面的页面信息 36 id：页面ID，不唯一 37 inLinks：指向该页面ID的页面ID 38 39 page_outlinks 40 id：页面ID，不唯一 41 outlinks：该页面ID指向的页面ID 42 43 page_redirects 44 id：页面ID，不唯一 45 redirects：重定向到该页面ID的所有页面ID 46 47 pagemapline --> 所有页面的title信息，处理重定向等有用处 48 id：该页面ID 49 name：页面title名字 50 pageID：页面ID，如果该页面是重定向页面，该pageID是其指向的那个包含信息的页面ID 51 stem：***暂无信息 52 lemma：***暂无信息