{"id":307781,"date":"2020-07-31T09:00:26","date_gmt":"2020-07-31T09:00:26","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=307781"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=307781","title":{"rendered":"\u041f\u0430\u0440\u0441\u0438\u043c \u0412\u0438\u043a\u0438\u043f\u0435\u0434\u0438\u044e, \u0444\u0438\u043b\u044c\u0442\u0440\u0443\u044f, \u0434\u043b\u044f \u0437\u0430\u0434\u0430\u0447 NLP \u0432 44 \u0441\u0442\u0440\u043e\u043a\u0438 \u043a\u043e\u0434\u0430"},"content":{"rendered":"\n<div class=\"post__text post__text-html post__text_v1\" id=\"post-content-body\" data-io-article-url=\"https:\/\/habr.com\/ru\/post\/513218\/\">\n<p>\u0412 \u044d\u0442\u043e\u0439 \u0437\u0430\u043c\u0435\u0442\u043a\u0435 \u044f \u0445\u043e\u0442\u0435\u043b \u0431\u044b \u0434\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u044c \u044d\u0442\u0443 <a href=\"https:\/\/habr.com\/ru\/post\/425507\/\">\u0441\u0442\u0430\u0442\u044c\u044e<\/a> \u0438 \u0440\u0430\u0441\u0441\u043a\u0430\u0437\u0430\u0442\u044c, \u043a\u0430\u043a \u043c\u043e\u0436\u043d\u043e \u0433\u0438\u0431\u0447\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u044d\u043a\u0441\u0442\u0440\u0430\u043a\u0442\u043e\u0440 \u0412\u0438\u043a\u0438\u043f\u0435\u0434\u0438\u0438 WikiExtractor, \u0444\u0438\u043b\u044c\u0442\u0440\u0443\u044f \u0441\u0442\u0430\u0442\u044c\u0438 \u043f\u043e \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u044f\u043c.<\/p>\n<p><a name=\"habracut\"><\/a>  <\/p>\n<p>\u041d\u0430\u0447\u0430\u043b\u043e\u0441\u044c \u0432\u0441\u0435 \u0441 \u0442\u043e\u0433\u043e, \u0447\u0442\u043e \u043c\u043d\u0435 \u043d\u0443\u0436\u043d\u044b \u0431\u044b\u043b\u0438 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u044f \u0434\u043b\u044f \u0440\u0430\u0437\u043b\u0438\u0447\u043d\u044b\u0445 \u0442\u0435\u0440\u043c\u0438\u043d\u043e\u0432. \u0422\u0435\u0440\u043c\u0438\u043d\u044b \u0438 \u0438\u0445 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u044f, \u043a\u0430\u043a \u043f\u0440\u0430\u0432\u0438\u043b\u043e, \u044f\u0432\u043b\u044f\u044e\u0442\u0441\u044f \u043f\u0435\u0440\u0432\u044b\u043c \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0435\u043d\u0438\u0435\u043c \u043d\u0430 \u043a\u0430\u0436\u0434\u043e\u0439 \u0441\u0442\u0440\u0430\u043d\u0438\u0446\u0435 \u0412\u0438\u043a\u0438\u043f\u0435\u0434\u0438\u0438. \u041f\u043e\u0439\u0434\u044f \u043f\u043e \u0441\u0430\u043c\u043e\u043c\u0443 \u043f\u0440\u043e\u0441\u0442\u043e\u043c\u0443 \u043f\u0443\u0442\u0438, \u044f \u0438\u0437\u0432\u043b\u0435\u043a \u0432\u0441\u0435 \u0441\u0442\u0430\u0442\u044c\u0438 \u0438 \u0440\u0435\u0433\u0443\u043b\u044f\u0440\u043a\u0430\u043c\u0438 \u0431\u044b\u0441\u0442\u0440\u043e \u0432\u044b\u0446\u0435\u043f\u0438\u043b \u0432\u0441\u0435, \u0447\u0442\u043e \u0431\u044b\u043b\u043e \u043d\u0443\u0436\u043d\u043e. \u041f\u0440\u043e\u0431\u043b\u0435\u043c\u0430 \u0432 \u0442\u043e\u043c, \u0447\u0442\u043e \u043e\u0431\u044a\u0435\u043c \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u0439 \u043f\u0435\u0440\u0435\u0432\u0430\u043b\u0438\u043b \u0437\u0430 500 \u041c\u0431, \u043f\u0440\u0438\u0447\u0435\u043c, \u0431\u044b\u043b\u043e \u0441\u043b\u0438\u0448\u043a\u043e\u043c \u043c\u043d\u043e\u0433\u043e \u043b\u0438\u0448\u043d\u0435\u0433\u043e, \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u0438\u043c\u0435\u043d\u043e\u0432\u0430\u043d\u043d\u044b\u0435 \u0441\u0443\u0449\u043d\u043e\u0441\u0442\u0438, \u0433\u043e\u0440\u043e\u0434\u0430, \u0433\u043e\u0434\u044b \u0438 \u0442.\u0434. \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043c\u043d\u0435 \u043d\u0435 \u043d\u0443\u0436\u043d\u044b.<\/p>\n<p>  <\/p>\n<p>\u042f \u0432\u0435\u0440\u043d\u043e \u043f\u0440\u0435\u0434\u043f\u043e\u043b\u043e\u0436\u0438\u043b, \u0447\u0442\u043e \u0443 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u0430 <a href=\"https:\/\/github.com\/attardi\/wikiextractor\" rel=\"nofollow\">WikiExtractor<\/a> (\u044f \u0431\u0443\u0434\u0443 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0434\u0440\u0443\u0433\u0443\u044e \u0432\u0435\u0440\u0441\u0438\u044e, \u0441\u0441\u044b\u043b\u043a\u0430 \u0431\u0443\u0434\u0435\u0442 \u043d\u0438\u0436\u0435) \u0435\u0441\u0442\u044c \u043a\u0430\u043a\u043e\u0439-\u0442\u043e \u0444\u0438\u043b\u044c\u0442\u0440 \u0438 \u044d\u0442\u043e \u043e\u043a\u0430\u0437\u0430\u043b\u0441\u044f \u0444\u0438\u043b\u044c\u0442\u0440 \u043f\u043e \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u044f\u043c. \u041a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438 \u044f\u0432\u043b\u044f\u044e\u0442\u0441\u044f \u0442\u0435\u0433\u0430\u043c\u0438 \u0434\u043b\u044f \u0441\u0442\u0430\u0442\u0435\u0439, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0438\u043c\u0435\u044e\u0442 \u0438\u0435\u0440\u0430\u0440\u0445\u0438\u0447\u0435\u0441\u043a\u0443\u044e \u0441\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u0443 \u0434\u043b\u044f \u043e\u0440\u0433\u0430\u043d\u0438\u0437\u0430\u0446\u0438\u0438 \u0441\u0442\u0440\u0430\u043d\u0438\u0446. \u042f \u043d\u0430 \u0440\u0430\u0434\u043e\u0441\u0442\u044f\u0445 \u0432\u044b\u0441\u0442\u0430\u0432\u0438\u043b \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u044e &quot;\u0422\u043e\u0447\u043d\u044b\u0435 \u043d\u0430\u0443\u043a\u0438&quot;, \u043e\u0447\u0435\u043d\u044c \u043d\u0430\u0438\u0432\u043d\u043e \u043f\u043e\u043b\u0430\u0433\u0430\u044f, \u0447\u0442\u043e \u0432\u0441\u0435 \u0441\u0442\u0430\u0442\u044c\u0438, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043e\u0442\u043d\u043e\u0441\u044f\u0442\u0441\u044f \u043a \u0442\u043e\u0447\u043d\u044b\u043c \u043d\u0430\u0443\u043a\u0430\u043c \u0431\u0443\u0434\u0443\u0442 \u0432\u043a\u043b\u044e\u0447\u0435\u043d\u044b \u0432 \u0441\u043f\u0438\u0441\u043e\u043a, \u043d\u043e \u0447\u0443\u0434\u0430 \u043d\u0435 \u0441\u043b\u0443\u0447\u0438\u043b\u043e\u0441\u044c \u2014 \u0443 \u043a\u0430\u0436\u0434\u043e\u0439 \u0441\u0442\u0440\u0430\u043d\u0438\u0446\u044b \u0441\u0432\u043e\u0439, \u043a\u0440\u043e\u0448\u0435\u0447\u043d\u044b\u0439, \u043d\u0430\u0431\u043e\u0440 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0439 \u0438 \u043d\u0430 \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u043e \u0432\u0437\u044f\u0442\u043e\u0439 \u0441\u0442\u0440\u0430\u043d\u0438\u0446\u0435 \u043d\u0435\u0442 \u043d\u0438\u043a\u0430\u043a\u043e\u0439 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438 \u043e \u0442\u043e\u043c, \u043a\u0430\u043a \u044d\u0442\u0438 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438 \u0441\u043e\u043e\u0442\u043d\u043e\u0441\u044f\u0442\u0441\u044f. \u0417\u043d\u0430\u0447\u0438\u0442, \u0435\u0441\u043b\u0438 \u043c\u043d\u0435 \u043d\u0443\u0436\u043d\u044b \u0441\u0442\u0440\u0430\u043d\u0438\u0446\u044b \u043f\u043e \u0442\u043e\u0447\u043d\u044b\u043c \u043d\u0430\u0443\u043a\u0430\u043c, \u044f \u0434\u043e\u043b\u0436\u0435\u043d \u0443\u043a\u0430\u0437\u0430\u0442\u044c \u0432\u0441\u0435 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u044f\u0432\u043b\u044f\u044e\u0442\u0441\u044f \u043f\u043e\u0442\u043e\u043c\u043a\u0430\u043c\u0438 \u0434\u043b\u044f &quot;\u0422\u043e\u0447\u043d\u044b\u0445 \u043d\u0430\u0443\u043a&quot;.<\/p>\n<p>  <\/p>\n<p>\u041d\u0443 \u043d\u0435 \u0431\u0435\u0434\u0430, \u0441\u0435\u0439\u0447\u0430\u0441 \u043d\u0430\u0439\u0434\u0443 \u0441\u0435\u0440\u0432\u0438\u0441, \u043f\u043e\u0434\u0443\u043c\u0430\u043b \u044f, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0437\u0430\u043f\u0440\u043e\u0441\u0442\u043e \u043c\u043d\u0435 \u043e\u0442\u0433\u0440\u0443\u0437\u0438\u0442 \u0432\u0441\u0435 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438 \u043e\u0442 \u0437\u0430\u0434\u0430\u043d\u043d\u043e\u0433\u043e \u043d\u0430\u0447\u0430\u043b\u0430. \u041a \u0441\u043e\u0436\u0430\u043b\u0435\u043d\u0438\u044e, \u044f \u043d\u0430\u0448\u0435\u043b \u0442\u043e\u043b\u044c\u043a\u043e <a href=\"https:\/\/ru.wikipedia.org\/wiki\/%D0%92%D0%B8%D0%BA%D0%B8%D0%BF%D0%B5%D0%B4%D0%B8%D1%8F:%D0%9F%D0%BE%D0%B8%D1%81%D0%BA_%D0%BF%D0%BE_%D0%BA%D0%B0%D1%82%D0%B5%D0%B3%D0%BE%D1%80%D0%B8%D1%8F%D0%BC\" rel=\"nofollow\">\u044d\u0442\u043e<\/a>, \u0433\u0434\u0435 \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c, \u043a\u0430\u043a \u044d\u0442\u0438 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438 \u0432\u0437\u0430\u0438\u043c\u043e\u0441\u0432\u044f\u0437\u0430\u043d\u044b. \u041f\u043e\u043f\u044b\u0442\u043a\u0430 \u0432 \u0440\u0443\u0447\u043d\u0443\u044e \u043f\u0435\u0440\u0435\u0431\u0440\u0430\u0442\u044c \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438 \u0442\u043e\u0436\u0435 \u043d\u0435 \u0443\u0432\u0435\u043d\u0447\u0430\u043b\u0430\u0441\u044c \u0443\u0441\u043f\u0435\u0445\u043e\u043c, \u0437\u0430\u0442\u043e \u044f &quot;\u043e\u0431\u0440\u0430\u0434\u043e\u0432\u0430\u043b\u0441\u044f&quot; \u0442\u043e\u043c\u0443, \u0447\u0442\u043e \u044d\u0442\u0438 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438 \u0438\u043c\u0435\u044e\u0442 \u0441\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u0443 \u043d\u0435 \u0434\u0435\u0440\u0435\u0432\u0430, \u043a\u0430\u043a \u044f \u0434\u0443\u043c\u0430\u043b \u0432\u0441\u0435 \u044d\u0442\u043e \u0432\u0440\u0435\u043c\u044f, \u0430 \u043f\u0440\u043e\u0441\u0442\u043e \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u043d\u043e\u0433\u043e \u0433\u0440\u0430\u0444\u0430, \u0441 \u0446\u0438\u043a\u043b\u0430\u043c\u0438. \u041f\u0440\u0438\u0447\u0435\u043c, \u0441\u0430\u043c\u0430 \u0438\u0435\u0440\u0430\u0440\u0445\u0438\u044f \u043e\u0447\u0435\u043d\u044c \u0441\u0438\u043b\u044c\u043d\u043e \u043f\u043b\u044b\u0432\u0435\u0442 \u2014 \u0441\u043a\u0430\u0436\u0443 \u043d\u0430\u043f\u0435\u0440\u0435\u0434, \u0447\u0442\u043e \u0437\u0430\u0434\u0430\u0432 \u043d\u0430\u0447\u0430\u043b\u044c\u043d\u0443\u044e \u0442\u043e\u0447\u043a\u0443 &quot;\u041c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u043a\u0430&quot;, \u043b\u0435\u0433\u043a\u043e \u043c\u043e\u0436\u043d\u043e \u0434\u043e\u0439\u0442\u0438 \u0434\u043e \u0410\u043b\u0435\u043a\u0441\u0430\u043d\u0434\u0440\u0430 I. \u0412 \u0438\u0442\u043e\u0433\u0435, \u043c\u043d\u0435 \u043e\u0441\u0442\u0430\u0432\u0430\u043b\u043e\u0441\u044c \u0442\u043e\u043b\u044c\u043a\u043e \u0432\u043e\u0441\u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u044c \u044d\u0442\u043e\u0442 \u0433\u0440\u0430\u0444 \u043b\u043e\u043a\u0430\u043b\u044c\u043d\u043e \u0438 \u043a\u0430\u043a-\u0442\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0441\u043f\u0438\u0441\u043e\u043a \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u0443\u044e\u0449\u0438\u0445 \u043c\u0435\u043d\u044f \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0439.<\/p>\n<p>  <\/p>\n<p>\u0418\u0442\u0430\u043a, \u0437\u0430\u0434\u0430\u0447\u0430 \u0441\u0442\u0430\u0432\u0438\u0442\u0441\u044f \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c: \u043d\u0430\u0447\u0438\u043d\u0430\u044f \u0441 \u043a\u0430\u043a\u043e\u0439-\u0442\u043e \u0432\u0435\u0440\u0448\u0438\u043d\u044b, \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0441\u043f\u0438\u0441\u043e\u043a \u0432\u0441\u0435\u0445 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0439, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0441\u0432\u044f\u0437\u0430\u043d\u044b \u0441 \u044d\u0442\u043e \u0432\u0435\u0440\u0448\u0438\u043d\u043e\u0439, \u0438\u043c\u0435\u044f \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u043a\u0430\u043a-\u0442\u043e \u043e\u0433\u0440\u0430\u043d\u0438\u0447\u0438\u0432\u0430\u0442\u044c \u0438\u0445.<\/p>\n<p>  <\/p>\n<p>\u0420\u0430\u0431\u043e\u0442\u0430 \u043f\u0440\u043e\u0432\u043e\u0434\u0438\u043b\u0430\u0441\u044c \u043d\u0430 \u043c\u0430\u0448\u0438\u043d\u0435 \u0441 Ubuntu 16.04, \u043d\u043e, \u043f\u043e\u043b\u0430\u0433\u0430\u044e, \u0447\u0442\u043e \u0434\u043b\u044f 18.04 \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u0435 \u0438\u043d\u0441\u0442\u0440\u0443\u043a\u0446\u0438\u0438 \u043d\u0435 \u0432\u044b\u0437\u043e\u0432\u0443\u0442 \u043f\u0440\u043e\u0431\u043b\u0435\u043c.<\/p>\n<p>  <\/p>\n<h1 id=\"skachivaem-i-razvertyvaem-dannye\">\u0421\u043a\u0430\u0447\u0438\u0432\u0430\u0435\u043c \u0438 \u0440\u0430\u0437\u0432\u0435\u0440\u0442\u044b\u0432\u0430\u0435\u043c \u0434\u0430\u043d\u043d\u044b\u0435<\/h1>\n<p>  <\/p>\n<p>\u041f\u0435\u0440\u0432\u044b\u043c \u0434\u0435\u043b\u043e\u043c, \u043d\u0430\u043c \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u0441\u043a\u0430\u0447\u0430\u0442\u044c \u0432\u0441\u0435 \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u044b\u0435 \u0434\u0430\u043d\u043d\u044b\u0435 \u0432\u043e\u0442 <a href=\"https:\/\/dumps.wikimedia.org\/ruwiki\/latest\/\" rel=\"nofollow\">\u043e\u0442\u0441\u044e\u0434\u0430<\/a>, \u0430 \u0438\u043c\u0435\u043d\u043d\u043e<\/p>\n<p>  <\/p>\n<ul>\n<li>ruwiki-latest-pages-articles.xml.bz2<\/li>\n<li>ruwiki-latest-categorylinks.sql.gz<\/li>\n<li>ruwiki-latest-category.sql.gz<\/li>\n<li>ruwiki-latest-page.sql.gz<\/li>\n<\/ul>\n<p>  <\/p>\n<p>\u0422\u0430\u0431\u043b\u0438\u0446\u0430 categorylinks \u0441\u043e\u0434\u0435\u0440\u0436\u0438\u0442 \u0441\u0432\u044f\u0437\u0438 \u043c\u0435\u0436\u0434\u0443 \u0441\u0442\u0440\u0430\u043d\u0438\u0446\u0435\u0439, \u0432 \u0441\u043c\u044b\u0441\u043b\u0435 \u0412\u0438\u043a\u0438\u043f\u0435\u0434\u0438\u0438, \u0438 \u0441\u0441\u044b\u043b\u043a\u043e\u0439 \u043d\u0430 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u044e \u0432\u0438\u0434\u0430 [[Category:Title]] \u0432 \u043b\u044e\u0431\u043e\u043c \u043c\u0435\u0441\u0442\u0435 \u044d\u0442\u043e\u0439 \u0441\u0442\u0440\u0430\u043d\u0438\u0446\u044b, <a href=\"https:\/\/www.mediawiki.org\/wiki\/Manual:Categorylinks_table\" rel=\"nofollow\">\u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u044f<\/a>. \u041d\u0430\u0441 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u0443\u044e\u0442 \u0441\u0442\u043e\u043b\u0431\u0446\u044b cl_from, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u0441\u043e\u0434\u0435\u0440\u0436\u0438\u0442 id \u0441\u0442\u0440\u0430\u043d\u0438\u0446\u044b, \u0438 cl_to, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u0441\u043e\u0434\u0435\u0440\u0436\u0438\u0442 \u043d\u0430\u0437\u0432\u0430\u043d\u0438\u0435 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438. \u0414\u043b\u044f \u0442\u043e\u0433\u043e, \u0447\u0442\u043e\u0431\u044b \u0441\u0432\u044f\u0437\u0430\u0442\u044c id \u0441\u0442\u0440\u0430\u043d\u0438\u0446\u044b, \u043d\u0430\u043c \u043d\u0443\u0436\u043d\u0430 \u0442\u0430\u0431\u043b\u0438\u0446\u0430 page (<a href=\"https:\/\/www.mediawiki.org\/wiki\/Manual:Page_table\" rel=\"nofollow\">\u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u044f<\/a>) \u0441\u043e \u0441\u0442\u043e\u043b\u0431\u0446\u0430\u043c\u0438 page_id \u0438 page_title. \u041d\u043e \u043d\u0430\u043c \u043d\u0435 \u043d\u0443\u0436\u043d\u043e \u0437\u043d\u0430\u0442\u044c \u0432\u0437\u0430\u0438\u043c\u043e\u0441\u0432\u044f\u0437\u044c \u0432\u0441\u0435\u0445 \u0441\u0442\u0440\u0430\u043d\u0438\u0446, \u043c\u044b \u0445\u043e\u0442\u0438\u043c \u0442\u043e\u043b\u044c\u043a\u043e \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438. \u0412\u0441\u0435 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438, \u0438\u043b\u0438 \u0438\u0445 \u0431\u043e\u043b\u044c\u0448\u0438\u043d\u0441\u0442\u0432\u043e, \u043a\u0430\u043a \u044f \u043f\u043e\u043d\u044f\u043b, \u0438\u043c\u0435\u044e\u0442 \u0441\u0432\u043e\u044e \u0441\u0442\u0440\u0430\u043d\u0438\u0446\u0443, \u0437\u043d\u0430\u0447\u0438\u0442 \u043d\u0430\u043c \u043d\u0443\u0436\u0435\u043d \u043f\u0435\u0440\u0435\u0447\u0435\u043d\u044c \u0432\u0441\u0435\u0445 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0439, \u0447\u0442\u043e\u0431\u044b \u0444\u0438\u043b\u044c\u0442\u0440\u043e\u0432\u0430\u0442\u044c \u043d\u0430\u0437\u0432\u0430\u043d\u0438\u044f \u0441\u0442\u0440\u0430\u043d\u0438\u0446. \u042d\u0442\u0430 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u044e \u0441\u043e\u0434\u0435\u0440\u0436\u0438\u0442\u0441\u044f \u0432 \u0442\u0430\u0431\u043b\u0438\u0446\u0435 category([\u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u044f](category table)) \u0432 \u0441\u0442\u043e\u043b\u0431\u0446\u0435 cat_title. \u0424\u0430\u0439\u043b pages-articles.xml \u0441\u043e\u0434\u0435\u0440\u0436\u0438\u0442 \u0442\u0435\u043a\u0441\u0442 \u0441\u0430\u043c\u0438\u0445 \u0441\u0442\u0430\u0442\u0435\u0439.<\/p>\n<p>  <\/p>\n<p>\u0414\u043b\u044f \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u0431\u0430\u0437\u0430\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u0445 \u043d\u0430\u043c \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c mysql. \u0423\u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u044c \u0435\u0433\u043e \u043c\u043e\u0436\u043d\u043e, \u0432\u044b\u043f\u043e\u043b\u043d\u0438\u0432 \u043a\u043e\u043c\u0430\u043d\u0434\u0443<\/p>\n<p>  <\/p>\n<pre><code class=\"plaintext\">sudo apt-get install mysql-server  mysql-client<\/code><\/pre>\n<p>  <\/p>\n<p>\u041f\u043e\u0441\u043b\u0435 \u044d\u0442\u043e\u0433\u043e, \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u0437\u0430\u0439\u0442\u0438 \u0432 mysql \u0438 \u0441\u043e\u0437\u0434\u0430\u0442\u044c \u0442\u0430\u043c \u0431\u0430\u0437\u044b \u0434\u0430\u043d\u043d\u044b\u0445, \u0434\u043b\u044f \u0442\u043e\u0433\u043e \u0447\u0442\u043e\u0431\u044b \u0438\u043c\u043f\u043e\u0440\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0431\u0430\u0437\u044b \u0434\u0430\u043d\u043d\u044b\u0445 \u0412\u0438\u043a\u0438\u043f\u0435\u0434\u0438\u0438. <\/p>\n<p>  <\/p>\n<pre><code class=\"plaintext\">$ mysql -u username -p mysql&gt; create database category; mysql&gt; create database categorylinks; mysql&gt; create database page;<\/code><\/pre>\n<p>  <\/p>\n<p>\u0421\u043e\u0437\u0434\u0430\u0432 \u0431\u0430\u0437\u044b \u0434\u0430\u043d\u043d\u044b\u0445, \u043f\u0440\u0438\u0441\u0442\u0443\u043f\u0438\u043c \u043a \u0438\u043c\u043f\u043e\u0440\u0442\u0443. \u041e\u043d \u043c\u043e\u0436\u0435\u0442 \u0437\u0430\u043d\u044f\u0442\u044c \u0432\u0435\u0441\u044c\u043c\u0430 \u043f\u0440\u043e\u0434\u043e\u043b\u0436\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u0432\u0440\u0435\u043c\u044f.<\/p>\n<p>  <\/p>\n<pre><code class=\"bash\">$  mysql -u username -p category &lt; ruwiki-latest-category.sql $  mysql -u username -p categorylinks &lt; ruwiki-latest-categorylinks.sql $  mysql -u username -p page &lt; ruwiki-latest-page.sql<\/code><\/pre>\n<p>  <\/p>\n<h1 id=\"formiruem-tablicu-vzaimosvyazi-kategoriy-i-vosstanavlivaem-graf\">\u0424\u043e\u0440\u043c\u0438\u0440\u0443\u0435\u043c \u0442\u0430\u0431\u043b\u0438\u0446\u0443 \u0432\u0437\u0430\u0438\u043c\u043e\u0441\u0432\u044f\u0437\u0438 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0439 \u0438 \u0432\u043e\u0441\u0441\u0442\u0430\u043d\u0430\u0432\u043b\u0438\u0432\u0430\u0435\u043c \u0433\u0440\u0430\u0444<\/h1>\n<p>  <\/p>\n<p>\u0422\u0435\u043f\u0435\u0440\u044c \u043d\u0430\u043c \u043d\u0443\u0436\u043d\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0442\u0430\u0431\u043b\u0438\u0446\u0443, \u0432 \u043a\u043e\u0442\u043e\u0440\u043e\u0439 \u0431\u0443\u0434\u0435\u0442 \u043e\u0442\u0440\u0430\u0436\u0435\u043d\u043e \u043a\u0430\u043a \u043c\u0435\u0436\u0434\u0443 \u0441\u043e\u0431\u043e\u0439 \u0441\u0432\u044f\u0437\u0430\u043d\u044b \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438 \u0438 \u0434\u043b\u044f \u0434\u0430\u043b\u044c\u043d\u0435\u0439\u0448\u0435\u0439 \u0440\u0430\u0431\u043e\u0442\u044b \u0432\u044b\u0433\u0440\u0443\u0437\u0438\u0442\u044c \u0442\u0430\u0431\u043b\u0438\u0446\u0443 \u0432 csv. \u0421\u0434\u0435\u043b\u0430\u0442\u044c \u044d\u0442\u043e \u043c\u043e\u0436\u043d\u043e \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u043c \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u043c<\/p>\n<p>  <\/p>\n<pre><code class=\"sql\">mysql&gt; select page_title, cl_to from categorylinks.categorylinks join page.page on cl_from = page_id  where page_title in (select cat_title from category) INTO outfile '\/var\/lib\/mysql-files\/category.csv' FIELDS terminated by ';' enclosed by '&quot;' lines terminated by '\\n';<\/code><\/pre>\n<p>  <\/p>\n<p>\u0420\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u0431\u0443\u0434\u0435\u0442 \u0432\u044b\u0433\u043b\u044f\u0434\u0435\u0442\u044c \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c. \u041d\u0435 \u0437\u0430\u0431\u0443\u0434\u044c\u0442\u0435 \u0432\u0440\u0443\u0447\u043d\u0443\u044e \u0434\u043e\u0431\u0430\u0432\u0438\u0442\u044c \u043d\u0430\u0437\u0432\u0430\u043d\u0438\u0435 \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432.<\/p>\n<p>  <\/p>\n<p><img decoding=\"async\" src=\"https:\/\/habrastorage.org\/webt\/vh\/x2\/mk\/vhx2mkzaklg1lt3t8s4iehhabuc.png\"><\/p>\n<p>  <\/p>\n<p>\u0421\u0442\u043e\u0438\u0442 \u0437\u0430\u043c\u0435\u0442\u0438\u0442\u044c, \u0447\u0442\u043e \u0441\u043b\u0435\u0432\u0430 \u0443 \u043d\u0430\u0441 \u043f\u043e\u0442\u043e\u043c\u043e\u043a, \u0430 \u0441\u043f\u0440\u0430\u0432\u0430 \u2014 \u0435\u0433\u043e \u043f\u0440\u0435\u0434\u043a\u0438, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u0432\u043e\u0441\u0441\u0442\u0430\u043d\u0430\u0432\u043b\u0438\u0432\u0430\u0442\u044c \u0433\u0440\u0430\u0444 \u0431\u0443\u0434\u0435\u043c \u043e\u0442 \u043f\u043e\u0442\u043e\u043c\u043a\u043e\u0432 \u043a \u043f\u0440\u0435\u0434\u043a\u0430\u043c. \u041a\u0440\u043e\u043c\u0435 \u0442\u043e\u0433\u043e, \u0435\u0441\u0442\u044c \u0435\u0449\u0435 \u043e\u0447\u0435\u043d\u044c \u043c\u043d\u043e\u0433\u043e \u0440\u0430\u0437\u043d\u044b\u0445 \u0441\u043b\u0443\u0436\u0435\u0431\u043d\u044b\u0445 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0439, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043c\u043d\u0435 \u043b\u0438\u0447\u043d\u043e \u043d\u0435 \u043d\u0443\u0436\u043d\u044b, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u044f \u0438\u0445 \u043e\u0442\u0444\u0438\u043b\u0442\u0440\u043e\u0432\u0430\u043b, \u0441\u043e\u043a\u0440\u0430\u0442\u0438\u0432 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0441\u0442\u0440\u043e\u043a \u0441 \u043f\u0440\u0438\u043c\u0435\u0440\u043d\u043e 1,6 \u043c\u0438\u043b\u043b\u0438\u043e\u043d\u043e\u0432 \u0434\u043e 1,1. \u0421\u0434\u0435\u043b\u0430\u0442\u044c \u0432\u0441\u0435 \u044d\u0442\u043e \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u0438 \u043f\u043e\u043c\u043e\u0449\u0438 \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0435\u0433\u043e \u043a\u043e\u0434\u0430.<\/p>\n<p>  <\/p>\n<pre><code class=\"python\">import pandas as pd import networkx as nx from tqdm.auto import tqdm, trange  #Filtering df = pd.read_csv(&quot;category.csv&quot;, sep=&quot;;&quot;, error_bad_lines=False) df = df.dropna() df_filtered = df[df.parant.str.contains(&quot;[\u0410-\u042f\u0430-\u044f]+:&quot;) != True]  df_filtered = df_filtered[df_filtered.parant.str.contains(&quot;\u0421\u0442\u0440\u0430\u043d\u0438\u0446\u044b,_&quot;) != True] df_filtered = df_filtered[df_filtered.parant.str.contains(&quot;\u0421\u0442\u0430\u0442\u044c\u0438_\u043f\u0440\u043e\u0435\u043a\u0442\u0430_&quot;) != True]  df_filtered = df_filtered[df_filtered.parant.str.contains(&quot;\u0425\u043e\u0440\u043e\u0448\u0438\u0435_\u0441\u0442\u0430\u0442\u044c\u0438&quot;) != True]  df_filtered = df_filtered[df_filtered.parant.str.contains(&quot;\u041f\u0435\u0440\u0435\u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u044f,_&quot;) != True]  df_filtered = df_filtered[df_filtered.parant.str.contains(&quot;\u0418\u0437\u0431\u0440\u0430\u043d\u043d\u044b\u0435_\u0441\u043f\u0438\u0441\u043a\u0438_&quot;) != True] df_filtered = df_filtered[df_filtered.parant.str.contains(&quot;\u0418\u0437\u0431\u0440\u0430\u043d\u043d\u044b\u0435_\u0441\u0442\u0430\u0442\u044c\u0438_&quot;) != True] df_filtered = df_filtered[df_filtered.parant.str.contains(&quot;\u0421\u043f\u0438\u0441\u043a\u0438_\u043f\u0440\u043e\u0435\u043a\u0442\u0430&quot;) != True]  df_filtered = df_filtered[df_filtered.parant.str.contains(&quot;\u0414\u043e\u0431\u0440\u043e\u0442\u043d\u044b\u0435_\u0441\u0442\u0430\u0442\u044c\u0438_&quot;) != True] df_filtered = df_filtered[df_filtered.parant.str.contains(&quot;\u0421\u0442\u0430\u0442\u044c\u0438&quot;) != True]   # Graph recovering G = nx.DiGraph() c = 0 for i, gr in tqdm(df_filtered.groupby('child')):      vertex = set()     edges = []     for i, r in gr.iterrows():         G.add_node(r.parant, color=&quot;white&quot;)         G.add_node(r.child, color=&quot;white&quot;)         G.add_edge(r.parant, r.child) <\/code><\/pre>\n<p>  <\/p>\n<h1 id=\"rabotaem-s-grafom-i-izvlekaem-filtrovannye-stati\">\u0420\u0430\u0431\u043e\u0442\u0430\u0435\u043c \u0441 \u0433\u0440\u0430\u0444\u043e\u043c \u0438 \u0438\u0437\u0432\u043b\u0435\u043a\u0430\u0435\u043c \u0444\u0438\u043b\u044c\u0442\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0435 \u0441\u0442\u0430\u0442\u044c\u0438<\/h1>\n<p>  <\/p>\n<p>\u0414\u043b\u044f \u0442\u043e\u0433\u043e, \u0447\u0442\u043e\u0431\u044b \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c\u0441\u044f \u044d\u0442\u0438\u043c \u0433\u0440\u0430\u0444\u043e\u043c \u0438 \u0440\u0435\u0448\u0438\u0442\u044c \u043f\u043e\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u043d\u0443\u044e \u0432 \u043d\u0430\u0447\u0430\u043b\u0435 \u0437\u0430\u0434\u0430\u0447\u0443, \u0432\u043e\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c\u0441\u044f \u0430\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u043e\u043c \u043f\u043e\u0438\u0441\u043a\u0430 \u0432 \u0433\u043b\u0443\u0431\u0438\u043d\u0443 \u0441 \u043c\u043e\u0434\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u044f\u043c\u0438 \u0434\u043b\u044f \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u0438\u044f \u0446\u0438\u043a\u043b\u043e\u0432, \u0434\u043b\u044f \u0447\u0435\u0433\u043e \u043c\u044b \u043f\u043e\u043c\u0435\u0442\u0438\u043b\u0438 \u043a\u0430\u0436\u0434\u044b\u0439 \u0443\u0437\u0435\u043b \u0431\u0435\u043b\u044b\u043c \u0446\u0432\u0435\u0442\u043e\u043c, \u0438 \u043e\u0433\u0440\u0430\u043d\u0438\u0447\u0435\u043d\u0438\u044f \u0433\u043b\u0443\u0431\u0438\u043d\u044b \u043f\u043e\u0438\u0441\u043a\u0430.<\/p>\n<p>  <\/p>\n<pre><code class=\"python\">counter = 0 nodes = []  def dfs(G, node, max_depth):     global nodes, counter     G.nodes[node]['color'] = 'gray'     nodes.append(node)     counter += 1     if counter == max_depth:         counter -= 1         return     for v in G.successors(node):         if G.nodes[v]['color'] == 'white':             dfs(G, v, max_depth)         elif G.nodes[v]['color'] == 'gray':             continue     counter -= 1<\/code><\/pre>\n<p>  <\/p>\n<p>\u0412 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u0435, \u0432 \u043b\u0438\u0441\u0442\u0435 nodes \u0443 \u043d\u0430\u0441 \u0441\u043e\u0434\u0435\u0440\u0436\u0430\u0442\u0441\u044f \u0432\u0441\u0435 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438 \u043d\u0430\u0447\u0438\u043d\u0430\u044f \u043e\u0442 \u0443\u043a\u0430\u0437\u0430\u043d\u043e\u0439 \u0438 \u0434\u043e \u0436\u0435\u043b\u0430\u0435\u043c\u043e\u0439 \u0433\u043b\u0443\u0431\u0438\u043d\u044b \u043e\u0442 \u043d\u0430\u0447\u0430\u043b\u0430. \u041d\u0438\u0436\u0435 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d \u043f\u0440\u0438\u043c\u0435\u0440 \u0434\u043b\u044f \u043d\u0430\u0447\u0430\u043b\u044c\u043d\u043e\u0439 \u0442\u043e\u0447\u043a\u0438 &quot;\u0422\u043e\u0447\u043d\u044b\u0435 \u043d\u0430\u0443\u043a\u0438&quot; \u0441 \u043e\u0433\u0440\u0430\u043d\u0438\u0447\u0435\u043d\u0438\u0435\u043c \u043d\u0430 \u0433\u043b\u0443\u0431\u0438\u043d\u0443 \u0432 5 \u0432\u0435\u0440\u0448\u0438\u043d. \u0412\u0441\u0435\u0433\u043e \u0438\u0445 \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u043e\u0441\u044c \u043e\u043a\u043e\u043b\u043e 2500 \u0442\u044b\u0441\u044f\u0447. \u041a\u043e\u043d\u0435\u0447\u043d\u043e, \u0442\u0430\u043c \u0441\u043e\u0434\u0435\u0440\u0436\u0430\u0442\u0441\u044f \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043d\u0435 \u043e\u0442\u043d\u043e\u0441\u044f\u0442\u0441\u044f \u043a \u0442\u043e\u0447\u043d\u044b\u043c \u043d\u0430\u0443\u043a\u0430\u043c \u0438, \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e, \u043a\u0430\u043a\u0438\u0445-\u0442\u043e \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0439, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0434\u043e\u043b\u0436\u043d\u044b \u0431\u044b\u0442\u044c, \u0442\u0430\u043c \u043d\u0435 \u043e\u043a\u0430\u0436\u0443\u0442\u0441\u044f, \u043d\u043e \u0441 \u044d\u0442\u0438\u043c \u0441\u043f\u043e\u0441\u043e\u0431\u043e\u043c \u043b\u0443\u0447\u0448\u0435 \u043d\u0435 \u0432\u044b\u0439\u0434\u0435\u0442 \u2014 \u043b\u0438\u0431\u043e \u0431\u043e\u043b\u044c\u0448\u0435 \u043f\u043e\u043a\u0440\u044b\u0442\u0438\u0435 \u0438 \u0431\u043e\u043b\u044c\u0448\u0435 \u043d\u0435\u043d\u0443\u0436\u043d\u044b\u0445 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0439, \u043b\u0438\u0431\u043e \u043d\u0430\u043e\u0431\u043e\u0440\u043e\u0442. \u041e\u0434\u043d\u0430\u043a\u043e, \u044d\u0442\u043e \u0433\u043e\u0440\u0430\u0437\u0434\u043e \u043b\u0443\u0447\u0448\u0435, \u0447\u0435\u043c \u0432\u0440\u0443\u0447\u043d\u0443\u044e \u043e\u0442\u0431\u0438\u0440\u0430\u0442\u044c \u044d\u0442\u0438 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438. <\/p>\n<p>  <\/p>\n<p>\u0420\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u043d\u0443\u0436\u043d\u043e \u0441\u043e\u0445\u0440\u0430\u043d\u0438\u0442\u044c \u043f\u043e\u0441\u0442\u0440\u043e\u0447\u043d\u043e \u0432 \u0444\u0430\u0439\u043b, \u043e\u043d \u043d\u0430\u043c \u043f\u043e\u043d\u0430\u0434\u043e\u0431\u0438\u0442\u0441\u044f \u0434\u043b\u044f \u0444\u0438\u043b\u044c\u0442\u0430\u0440\u0446\u0438\u0438.<\/p>\n<p>  <\/p>\n<div class=\"spoiler\" role=\"button\" tabindex=\"0\">                         <b class=\"spoiler_title\">\u041f\u043e\u0434\u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438 \u0441 \u0432\u0435\u0440\u0448\u0438\u043d\u044b \u0422\u043e\u0447\u043d\u044b\u0435 \u043d\u0430\u0443\u043a\u0438<\/b>                         <\/p>\n<div class=\"spoiler_text\">\n<pre><code class=\"plaintext\">\u0422\u043e\u0447\u043d\u044b\u0435_\u043d\u0430\u0443\u043a\u0438 \u0418\u043d\u0444\u043e\u0440\u043c\u0430\u0442\u0438\u043a\u0430 CAM \u0410\u0432\u0442\u043e\u0440\u044b_\u0443\u0447\u0435\u0431\u043d\u0438\u043a\u043e\u0432_\u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0442\u0438\u043a\u0438 \u0410\u0440\u0445\u0438\u0432\u043d\u043e\u0435_\u0434\u0435\u043b\u043e \u0410\u0440\u0445\u0435\u043e\u0433\u0440\u0430\u0444\u0438\u0447\u0435\u0441\u043a\u0438\u0435_\u043a\u043e\u043c\u0438\u0441\u0441\u0438\u0438 \u0410\u0440\u0445\u0435\u043e\u0433\u0440\u0430\u0444\u0438\u0447\u0435\u0441\u043a\u0438\u0435_\u043a\u043e\u043c\u0438\u0441\u0441\u0438\u0438_\u0423\u043a\u0440\u0430\u0438\u043d\u044b \u0412\u0438\u043b\u0435\u043d\u0441\u043a\u0430\u044f_\u0430\u0440\u0445\u0435\u043e\u0433\u0440\u0430\u0444\u0438\u0447\u0435\u0441\u043a\u0430\u044f_\u043a\u043e\u043c\u0438\u0441\u0441\u0438\u044f \u0410\u0440\u0445\u0438\u0432\u0438\u0441\u0442\u044b \u0410\u0440\u0445\u0438\u0432\u0430\u0440\u0438\u0443\u0441\u044b \u0410\u0440\u0445\u0438\u0432\u0438\u0441\u0442\u044b_\u043f\u043e_\u0430\u043b\u0444\u0430\u0432\u0438\u0442\u0443 \u0410\u0440\u0445\u0438\u0432\u0438\u0441\u0442\u044b_\u043f\u043e_\u0432\u0435\u043a\u0430\u043c \u0410\u0440\u0445\u0438\u0432\u0438\u0441\u0442\u044b_\u043f\u043e_\u0441\u0442\u0440\u0430\u043d\u0430\u043c \u0410\u0440\u0445\u0438\u0432\u043d\u043e\u0435_\u0434\u0435\u043b\u043e_\u043d\u0430_\u0423\u043a\u0440\u0430\u0438\u043d\u0435 \u0410\u0440\u0445\u0438\u0432\u0438\u0441\u0442\u044b_\u0423\u043a\u0440\u0430\u0438\u043d\u044b  ...  \u0422\u0435\u0440\u043c\u0438\u043d\u043e\u043b\u043e\u0433\u0438\u044f_\u0442\u0435\u043b\u0435\u0432\u0438\u0434\u0435\u043d\u0438\u044f \u0422\u0435\u0440\u043c\u0438\u043d\u043e\u043b\u043e\u0433\u0438\u044f_\u044f\u043f\u043e\u043d\u0441\u043a\u0438\u0445_\u0431\u043e\u0435\u0432\u044b\u0445_\u0438\u0441\u043a\u0443\u0441\u0441\u0442\u0432 \u0422\u0435\u0440\u043c\u0438\u043d\u044b_\u0434\u043b\u044f_\u0437\u043d\u0430\u043c\u0435\u043d\u0438\u0442\u043e\u0441\u0442\u0435\u0439 \u0422\u0435\u0440\u043c\u0438\u043d\u044b_\u0438_\u043f\u043e\u043d\u044f\u0442\u0438\u044f_\u0430\u043d\u0438\u043c\u0435_\u0438_\u043c\u0430\u043d\u0433\u0438 \u0422\u0435\u0445\u043d\u0438\u0447\u0435\u0441\u043a\u0438\u0435_\u0442\u0435\u0440\u043c\u0438\u043d\u044b \u0422\u0440\u0430\u043d\u0441\u043f\u043e\u0440\u0442\u043d\u0430\u044f_\u0442\u0435\u0440\u043c\u0438\u043d\u043e\u043b\u043e\u0433\u0438\u044f \u0424\u0430\u043d\u0442\u0430\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0435_\u0442\u0435\u0440\u043c\u0438\u043d\u044b_\u043f\u043e_\u0438\u0445_\u0438\u0437\u043e\u0431\u0440\u0435\u0442\u0430\u0442\u0435\u043b\u044f\u043c \u0424\u0438\u043b\u0430\u0442\u0435\u043b\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0435_\u0442\u0435\u0440\u043c\u0438\u043d\u044b \u0424\u0438\u043b\u043e\u0441\u043e\u0444\u0441\u043a\u0438\u0435_\u0442\u0435\u0440\u043c\u0438\u043d\u044b \u0426\u0438\u0440\u043a\u043e\u0432\u044b\u0435_\u0442\u0435\u0440\u043c\u0438\u043d\u044b \u042d\u043a\u043e\u043d\u043e\u043c\u0438\u0447\u0435\u0441\u043a\u0438\u0435_\u0442\u0435\u0440\u043c\u0438\u043d\u044b \u042f\u043f\u043e\u043d\u0441\u043a\u0438\u0435_\u0438\u0441\u0442\u043e\u0440\u0438\u0447\u0435\u0441\u043a\u0438\u0435_\u0442\u0435\u0440\u043c\u0438\u043d\u044b \u042d\u043a\u043e\u043d\u043e\u043c\u0438\u043a\u0430_\u0437\u043d\u0430\u043d\u0438\u0439 \u0418\u043d\u043a\u0430\u043f\u0441\u0443\u043b\u044f\u0446\u0438\u044f_(\u043f\u0440\u043e\u0433\u0440\u0430\u043c\u043c\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435)  ...  \u0411\u0435\u0441\u043a\u043e\u043d\u0435\u0447\u043d\u043e\u0441\u0442\u044c \u0411\u0435\u0441\u043a\u043e\u043d\u0435\u0447\u043d\u044b\u0435_\u0433\u0440\u0430\u0444\u044b \u0415\u0434\u0438\u043d\u043e\u0435 \u0424\u0438\u043b\u043e\u0441\u043e\u0444\u044b_\u043c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u043a\u0438 \u041f\u0440\u043e\u043a\u043b_\u0414\u0438\u0430\u0434\u043e\u0445 \u0424\u0443\u043d\u043a\u0446\u0438\u0438 \u0410\u0440\u0438\u0444\u043c\u0435\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0435_\u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u041c\u0443\u043b\u044c\u0442\u0438\u043f\u043b\u0438\u043a\u0430\u0442\u0438\u0432\u043d\u044b\u0435_\u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u0411\u043e\u043b\u044c\u0448\u0438\u0435_\u0447\u0438\u0441\u043b\u0430 \u041a\u0443\u0441\u043e\u0447\u043d\u043e-\u043b\u0438\u043d\u0435\u0439\u043d\u044b\u0435_\u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u0414\u0438\u0441\u043a\u0440\u0435\u0442\u043d\u044b\u0435_\u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u0418\u043d\u0442\u0435\u0433\u0440\u0430\u043b\u044c\u043d\u044b\u0435_\u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u044f_\u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0441\u0442\u0432\u0430 \u0422\u0435\u043e\u0440\u0438\u044f_\u043f\u043e\u0442\u0435\u043d\u0446\u0438\u0430\u043b\u0430 \u0422\u0438\u043f\u044b_\u0444\u0443\u043d\u043a\u0446\u0438\u0439 \u0427\u0438\u0441\u043b\u0430<\/code><\/pre>\n<\/div><\/div>\n<p>  <\/p>\n<p>\u0414\u043b\u044f \u0442\u043e\u0433\u043e, \u0447\u0442\u043e\u0431\u044b \u043f\u0440\u0438\u043c\u0435\u043d\u0438\u0442\u044c \u044d\u0442\u0438 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438 \u0434\u043b\u044f \u0444\u0438\u043b\u044c\u0442\u0440\u0430\u0446\u0438\u0438 \u0434\u043b\u044f \u0440\u0443\u0441\u0441\u043a\u043e\u0433\u043e \u044f\u0437\u044b\u043a\u0430, \u043e\u0434\u043d\u0430\u043a\u043e, \u043d\u0443\u0436\u043d\u043e \u043a\u043e\u0435-\u0447\u0442\u043e \u043f\u043e\u0434\u043f\u0440\u0430\u0432\u0438\u0442\u044c \u0432 \u0438\u0441\u0445\u043e\u0434\u043d\u0438\u043a\u0430\u0445. \u042f \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043b <a href=\"https:\/\/github.com\/attardi\/wikiextractor\/tree\/16186e290d9eb0eb3a3784c6c0635a9ed7e855c3\" rel=\"nofollow\">\u044d\u0442\u0443<\/a> \u0432\u0435\u0440\u0441\u0438\u044e. \u0421\u0435\u0439\u0447\u0430\u0441 \u0442\u0430\u043c \u0447\u0442\u043e-\u0442\u043e \u043d\u043e\u0432\u043e\u0435, \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e, \u0438\u0441\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u044f \u043d\u0438\u0436\u0435 \u0443\u0436\u0435 \u043d\u0435 \u0430\u043a\u0442\u0443\u0430\u043b\u044c\u043d\u044b. \u0412 \u0444\u0430\u0439\u043b\u0435 WikiExtractor.py \u043d\u0443\u0436\u043d\u043e \u0437\u0430\u043c\u0435\u043d\u0438\u0442\u044c &quot;Category&quot; \u043d\u0430 &quot;\u041a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u044f&quot; \u0432 \u0434\u0432\u0443\u0445 \u043c\u0435\u0441\u0442\u0430\u0445. \u041e\u0431\u043b\u0430\u0441\u0442\u0438 \u0441 \u0443\u0436\u0435 \u0438\u0441\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u043d\u044b\u043c \u0432\u0430\u0440\u0438\u0430\u043d\u0442\u043e\u043c \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u044b \u043d\u0438\u0436\u0435:<\/p>\n<p>  <\/p>\n<pre><code class=\"python\"> tagRE = re.compile(r'(.*?)&lt;(\/?\\w+)[^&gt;]*?&gt;(?:([^&lt;]*)(&lt;.*?&gt;)?)?') #                    1     2               3      4 keyRE = re.compile(r'key=&quot;(\\d*)&quot;') catRE = re.compile(r'\\[\\[\u041a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u044f:([^\\|]+).*\\]\\].*')  # capture the category name [[Category:Category name|Sortkey]]&quot;  def load_templates(file, output_file=None): ...<\/code><\/pre>\n<p>  <\/p>\n<pre><code class=\"python\">if inText:     page.append(line)     # extract categories     if line.lstrip().startswith('[[\u041a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u044f:'):         mCat = catRE.search(line)         if mCat:             catSet.add(mCat.group(1))<\/code><\/pre>\n<p>  <\/p>\n<p>\u041f\u043e\u0441\u043b\u0435 \u044d\u0442\u043e\u0433\u043e \u043d\u0443\u0436\u043d\u043e \u0437\u0430\u043f\u0443\u0441\u0442\u0438\u0442\u044c \u043a\u043e\u043c\u0430\u043d\u0434\u0443<\/p>\n<p>  <\/p>\n<pre><code class=\"bash\">python WikiExtractor.py --filter_category categories --output wiki_filtered ruwiki-latest-pages-articles.xml<\/code><\/pre>\n<p>  <\/p>\n<p>\u0433\u0434\u0435 categories \u2014 \u044d\u0442\u043e \u0444\u0430\u0439\u043b \u0441 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u044f\u043c\u0438. \u041e\u0442\u0444\u0438\u043b\u044c\u0442\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0435 \u0441\u0442\u0430\u0442\u044c\u0438 \u0431\u0443\u0434\u0443\u0442 \u043b\u0435\u0436\u0430\u0442\u044c \u0432 wiki_filtered.<br \/>  \u041d\u0430 \u044d\u0442\u043e\u043c \u0432\u0441\u0435. \u0421\u043f\u0430\u0441\u0438\u0431\u043e \u0437\u0430 \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u0435.<\/p>\n<\/div>\n<p> \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/habr.com\/ru\/post\/513218\/\"> https:\/\/habr.com\/ru\/post\/513218\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"\n<div class=\"post__text post__text-html post__text_v1\" id=\"post-content-body\" data-io-article-url=\"https:\/\/habr.com\/ru\/post\/513218\/\">\n<p>\u0412 \u044d\u0442\u043e\u0439 \u0437\u0430\u043c\u0435\u0442\u043a\u0435 \u044f \u0445\u043e\u0442\u0435\u043b \u0431\u044b \u0434\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u044c \u044d\u0442\u0443 <a href=\"https:\/\/habr.com\/ru\/post\/425507\/\">\u0441\u0442\u0430\u0442\u044c\u044e<\/a> \u0438 \u0440\u0430\u0441\u0441\u043a\u0430\u0437\u0430\u0442\u044c, \u043a\u0430\u043a \u043c\u043e\u0436\u043d\u043e \u0433\u0438\u0431\u0447\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u044d\u043a\u0441\u0442\u0440\u0430\u043a\u0442\u043e\u0440 \u0412\u0438\u043a\u0438\u043f\u0435\u0434\u0438\u0438 WikiExtractor, \u0444\u0438\u043b\u044c\u0442\u0440\u0443\u044f \u0441\u0442\u0430\u0442\u044c\u0438 \u043f\u043e \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u044f\u043c.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-307781","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/307781","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=307781"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/307781\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=307781"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=307781"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=307781"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}