Python如何解析维基百科xml文件

Python可以使用ElementTree或lxml库来解析维基百科的XML文件。这里以lxml库为例，演示如何解析维基百科的XML文件：

1. 首先，下载维基百科的XML文件，比如英文维基百科的最新版本可以从这里下载：https://dumps.wikimedia.org/enwiki/latest/enwiki-latest-pages-articles.xml.bz2

2. 解压缩下载的XML文件，得到一个XML文件，比如enwiki-latest-pages-articles.xml。

3. 使用lxml库读取XML文件，并解析XML文件中的页面（page）元素：

from lxml import etree

# 打开XML文件
with open('enwiki-latest-pages-articles.xml', 'rb') as f:
    # 创建解析器
    parser = etree.XMLPullParser(['start', 'end'])
    # 循环遍历XML文件
    for line in f:
        parser.feed(line)
        for event, elem in parser.read_events():
            if event == 'end' and elem.tag == '{http://www.mediawiki.org/xml/export-0.10/}page':
                # 输出页面的标题和内容
                title = elem.findtext('{http://www.mediawiki.org/xml/export-0.10/}title')
                text = elem.findtext('{http://www.mediawiki.org/xml/export-0.10/}revision/{http://www.mediawiki.org/xml/export-0.10/}text')
                print(title, text[:100])
                # 清空元素
                elem.clear()
                # 跳过子元素
                while elem.getprevious() is not None:
                    del elem.getparent()[0]
                del elem

这段代码读取XML文件的每一行，将其传递给解析器。当解析器遇到页面元素时，提取页面的标题和内容，并输出。

注意，这里使用了XML命名空间来解析维基百科的XML文件。维基百科的XML文件使用了命名空间，所以要使用命名空间来访问元素。