Python - 如何获取维基百科将我重定向到的页面？

Question

我想存储一些不同的维基百科链接，但我不想将同一页面的两个不同链接存储两次。例如，以下链接不同，但它们指向相同的维基百科页面：

https://en.wikipedia.org/w/index.php?title=(1S)-1-Methyl-2,3,4,9-tetrahydro-1H-pyrido-3,4-b-indole&redirect=no 
https://en.wikipedia.org/w/index.php?title=(1S)-1-methyl-2,3,4,9-tetrahydro-1H-pyrido-3,4-b-indole&redirect=no
__________________________________________________|___________________________________________________________

唯一的区别是多了一个大写字符。或以下链接：

https://en.wikipedia.org/wiki/(0,1)-matrix 
https://en.wikipedia.org/wiki/(0,1)_matrix 
___________________________________|______ 

这只是因为一个有“-”而另一个有“_”(“”)。所以我想要的是只存储其中之一或以下链接：

https://en.wikipedia.org/wiki/Tetrahydroharman 
https://en.wikipedia.org/wiki/Logical_matrix 

我已经尝试过这个SO问题的答案。但这对我不起作用。 （结果是我的初始 URL，而不是 wiki 在浏览器中将我重定向到的那个 URL）那么我怎样才能实现我正在寻找的东西！？

Answer 1

MediaWiki Action API 提供维基百科中使用的各种端点。您可以查询端点https://en.wikipedia.org/w/api.php来获取重定向的目标页面。

您可以将结果作为 JSON 检索并解析它以获取元素

to 或元素 title 的值

示例：

此查询将检索“Halab”城市的目标页面：

https://en.wikipedia.org/w/api.php?action=query&titles=Halab&redirects&format=json

结果：

{  
   "batchcomplete":"",
   "query":{  
      "redirects":[  
         {  
            "from":"Halab",
            "to":"Aleppo"
         }
      ],
      "pages":{  
         "159244":{  
            "pageid":159244,
            "ns":0,
            "title":"Aleppo"
         }
      }
   }
}

Python 中：

import json
import requests

query = requests.get(r'https://en.wikipedia.org/w/api.php?action=query&titles={}&redirects&format=json'.format('Halab'))

data = json.loads(query.text)

Answer 2

由于维基百科没有正确的 301/302 重定向，因此当您打开链接时会返回正确的 200 成功响应，然后使用 JS 更改 url

我想出了一个快速可行的解决方案。首先，从 URL 中删除

&redirect=no

In [42]: import requests

In [43]: r = requests.get('https://en.wikipedia.org/w/index.php?title=(1S)-1-Met
    ...: hyl-2,3,4,9-tetrahydro-1H-pyrido-3,4-b-indole')

In [44]: tmp = r.content.replace('<link rel="canonical" href="', 'r@ndom}-=||').
    ...: split('r@ndom}-=||')[-1]

In [45]: idx = tmp.find('"/>')

In [46]: real_link = tmp[:idx]

In [47]: real_link
Out[47]: 'https://en.wikipedia.org/wiki/Tetrahydroharman'

真实的URL值存储在

<link rel="canonical" href="

标签中。

您可以使用上述方法，这对于您的用例来说足够好，或者您可以使用 bs4 等库来解析页面并获取链接或使用正则表达式提取链接。

Answer 3

Amit Tripathi 的回答抛出了一个异常。这是我的回答：

res = requests.get(url)
doc = lxml.html.fromstring(res.content)
for t in doc.xpath("//link[contains(@rel, 'canonical')]"):
    new_url = str(t.attrib['href'])

根据我的经验，可能会重定向到相同的网址。所以在使用 new_url 之前最好检查一下 (url != new_url)。

Answer 4

这是使用

wikipedia

库的非常简单的解决方案：

>>> import wikipedia
>>> page = wikipedia.page(title="(0,1)_matrix", redirect=True)
>>> page.title
'Logical matrix'