forked from edward/owl-map
Add the Wikidata recent changes updater
Download Wikidata recent changes and update items in local database.
This commit is contained in:
parent
503280cfc1
commit
ba37fae51a
249
update.py
Executable file
249
update.py
Executable file
|
@ -0,0 +1,249 @@
|
||||||
|
#!/usr/bin/python3
|
||||||
|
|
||||||
|
"""Download Wikidata recent changes and update items in local database."""
|
||||||
|
|
||||||
|
import json
|
||||||
|
import os
|
||||||
|
import sys
|
||||||
|
from time import sleep
|
||||||
|
|
||||||
|
from matcher import database, model, utils, wikidata, wikidata_api
|
||||||
|
|
||||||
|
DB_URL = "postgresql:///matcher"
|
||||||
|
database.init_db(DB_URL)
|
||||||
|
|
||||||
|
previous_max_lastrevid = 1388804050 # Q106152661
|
||||||
|
|
||||||
|
entity_keys = {"labels", "sitelinks", "aliases", "claims", "descriptions", "lastrevid"}
|
||||||
|
|
||||||
|
|
||||||
|
def read_changes():
|
||||||
|
qids = set()
|
||||||
|
max_lastrevid = 0
|
||||||
|
for f in sorted(os.listdir("changes"), key=lambda f: int(f.partition(".")[0])):
|
||||||
|
reply = json.load(open("changes/" + f))
|
||||||
|
print(f, len(qids))
|
||||||
|
for change in reply["query"]["recentchanges"]:
|
||||||
|
# rctype = change["type"]
|
||||||
|
title = change["title"]
|
||||||
|
revid = change["revid"]
|
||||||
|
if revid and revid > max_lastrevid:
|
||||||
|
max_lastrevid = revid
|
||||||
|
assert title.startswith("Q")
|
||||||
|
qids.add(title)
|
||||||
|
print(len(qids))
|
||||||
|
print(max_lastrevid)
|
||||||
|
|
||||||
|
return
|
||||||
|
|
||||||
|
for cur in utils.chunk(qids, 50):
|
||||||
|
print(cur)
|
||||||
|
for qid, entity in wikidata_api.get_entities(cur):
|
||||||
|
with open(f"items/{qid}.json", "w") as out:
|
||||||
|
json.dump(entity, out)
|
||||||
|
|
||||||
|
|
||||||
|
def get_changes():
|
||||||
|
start = "2021-03-24T11:56:11"
|
||||||
|
rccontinue = None
|
||||||
|
i = 0
|
||||||
|
while True:
|
||||||
|
i += 1
|
||||||
|
r = wikidata_api.query_wd_api(rcstart=start, rccontinue=rccontinue)
|
||||||
|
with open(f"changes/{i:06d}.json", "w") as out:
|
||||||
|
out.write(r.text)
|
||||||
|
|
||||||
|
reply = r.json()
|
||||||
|
try:
|
||||||
|
print(reply["query"]["recentchanges"][0]["timestamp"])
|
||||||
|
except KeyError:
|
||||||
|
print("KeyError")
|
||||||
|
|
||||||
|
if False:
|
||||||
|
for change in reply["query"]["recentchanges"]:
|
||||||
|
# rctype = change["type"]
|
||||||
|
# if change["revid"] == 0 and change["old_revid"] == 0:
|
||||||
|
# continue
|
||||||
|
|
||||||
|
if change["logtype"] == "delete" and change["logaction"] in {
|
||||||
|
"revision",
|
||||||
|
"delete",
|
||||||
|
"restore",
|
||||||
|
}:
|
||||||
|
continue
|
||||||
|
|
||||||
|
if change["logtype"] == "protect" and change["logaction"] in {
|
||||||
|
"unprotect",
|
||||||
|
"protect",
|
||||||
|
}:
|
||||||
|
continue
|
||||||
|
|
||||||
|
print(json.dumps(change, indent=2))
|
||||||
|
sys.exit(0)
|
||||||
|
|
||||||
|
continue
|
||||||
|
|
||||||
|
if not change["title"].startswith("Q"):
|
||||||
|
continue # not an item
|
||||||
|
|
||||||
|
qid = change["title"]
|
||||||
|
assert qid[1:].isdigit()
|
||||||
|
item_id = int(qid[1:])
|
||||||
|
revid = change["revid"]
|
||||||
|
|
||||||
|
item = model.Item.query.get(item_id)
|
||||||
|
if change["type"] == "edit" and not item:
|
||||||
|
continue
|
||||||
|
|
||||||
|
if change["type"] == "new" and not item:
|
||||||
|
print(("new", qid))
|
||||||
|
continue
|
||||||
|
|
||||||
|
if not item:
|
||||||
|
print(qid)
|
||||||
|
print(json.dumps(change, indent=2))
|
||||||
|
print((change["type"], qid, item.lastrevid, revid))
|
||||||
|
|
||||||
|
# print(json.dumps(reply, indent=2))
|
||||||
|
|
||||||
|
if "continue" not in reply:
|
||||||
|
break
|
||||||
|
|
||||||
|
rccontinue = reply["continue"]["rccontinue"]
|
||||||
|
print(rccontinue)
|
||||||
|
sleep(1)
|
||||||
|
|
||||||
|
|
||||||
|
def get_timestamp():
|
||||||
|
ts = wikidata_api.get_revision_timestamp(previous_max_lastrevid)
|
||||||
|
print(ts)
|
||||||
|
|
||||||
|
|
||||||
|
def handle_new(change):
|
||||||
|
qid = change["title"]
|
||||||
|
ts = change["timestamp"]
|
||||||
|
if change["redirect"]:
|
||||||
|
print(f"{ts}: new item {qid}, since replaced with redirect")
|
||||||
|
return
|
||||||
|
item = model.Item.query.get(qid[1:]) # check if item is already loaded
|
||||||
|
if item:
|
||||||
|
return handle_edit(change)
|
||||||
|
|
||||||
|
entity = wikidata_api.get_entity(qid)
|
||||||
|
if entity["id"] != qid:
|
||||||
|
print(f'redirect {qid} -> {entity["id"]}')
|
||||||
|
return
|
||||||
|
|
||||||
|
if "claims" not in entity:
|
||||||
|
print(qid)
|
||||||
|
print(entity)
|
||||||
|
coords = wikidata.get_entity_coords(entity["claims"])
|
||||||
|
if not coords:
|
||||||
|
print(f"{ts}: new item {qid} without coordinates")
|
||||||
|
return
|
||||||
|
|
||||||
|
print(f"{ts}: new item {qid} with coordinates")
|
||||||
|
|
||||||
|
item_id = int(qid[1:])
|
||||||
|
obj = {k: v for k, v in entity.items() if k in entity_keys}
|
||||||
|
try:
|
||||||
|
item = model.Item(item_id=item_id, **obj)
|
||||||
|
except TypeError:
|
||||||
|
print(qid)
|
||||||
|
print(f'{entity["pageid"]=} {entity["ns"]=} {entity["type"]=}')
|
||||||
|
print(entity.keys())
|
||||||
|
raise
|
||||||
|
item.locations = model.location_objects(coords)
|
||||||
|
database.session.add(item)
|
||||||
|
|
||||||
|
|
||||||
|
def coords_equal(a, b):
|
||||||
|
"""Deep equality comparison of nested dicts."""
|
||||||
|
return json.dumps(a, sort_keys=True) == json.dumps(b, sort_keys=True)
|
||||||
|
|
||||||
|
|
||||||
|
def handle_edit(change):
|
||||||
|
qid = change["title"]
|
||||||
|
item = model.Item.query.get(qid[1:])
|
||||||
|
if not item:
|
||||||
|
return # item isn't in our database so it probably has no coordinates
|
||||||
|
|
||||||
|
ts = change["timestamp"]
|
||||||
|
|
||||||
|
if item.lastrevid >= change["revid"]:
|
||||||
|
print(f"{ts}: no need to update {qid}")
|
||||||
|
return
|
||||||
|
|
||||||
|
entity = wikidata_api.get_entity(qid)
|
||||||
|
entity_qid = entity.pop("id")
|
||||||
|
if entity_qid != qid:
|
||||||
|
print(f"{ts}: item {qid} replaced with redirect")
|
||||||
|
database.session.delete(item)
|
||||||
|
database.session.commit()
|
||||||
|
return
|
||||||
|
|
||||||
|
assert entity_qid == qid
|
||||||
|
existing_coords = wikidata.get_entity_coords(item.claims)
|
||||||
|
if "claims" not in entity:
|
||||||
|
return
|
||||||
|
coords = wikidata.get_entity_coords(entity["claims"])
|
||||||
|
|
||||||
|
if not coords_equal(existing_coords, coords):
|
||||||
|
print(f"{ts}: update item {qid}, including coordinates")
|
||||||
|
item.locations = model.location_objects(coords)
|
||||||
|
else:
|
||||||
|
print(f"{ts}: update item {qid}, no change to coordinates")
|
||||||
|
|
||||||
|
for key in entity_keys:
|
||||||
|
setattr(item, key, entity[key])
|
||||||
|
|
||||||
|
|
||||||
|
def update_timestamp(timestamp):
|
||||||
|
out = open("rc_timestamp", "w")
|
||||||
|
print(timestamp, file=out)
|
||||||
|
out.close()
|
||||||
|
|
||||||
|
|
||||||
|
def update_database():
|
||||||
|
with open("rc_timestamp") as f:
|
||||||
|
start = f.read().strip()
|
||||||
|
|
||||||
|
rccontinue = None
|
||||||
|
seen = set()
|
||||||
|
while True:
|
||||||
|
r = wikidata_api.get_recent_changes(rcstart=start, rccontinue=rccontinue)
|
||||||
|
|
||||||
|
reply = r.json()
|
||||||
|
for change in reply["query"]["recentchanges"]:
|
||||||
|
rctype = change["type"]
|
||||||
|
timestamp = change["timestamp"]
|
||||||
|
qid = change["title"]
|
||||||
|
if qid in seen:
|
||||||
|
continue
|
||||||
|
|
||||||
|
if rctype == "new":
|
||||||
|
handle_new(change)
|
||||||
|
seen.add(qid)
|
||||||
|
if rctype == "edit":
|
||||||
|
handle_edit(change)
|
||||||
|
seen.add(qid)
|
||||||
|
|
||||||
|
update_timestamp(timestamp)
|
||||||
|
print("commit")
|
||||||
|
database.session.commit()
|
||||||
|
|
||||||
|
if "continue" not in reply:
|
||||||
|
break
|
||||||
|
|
||||||
|
rccontinue = reply["continue"]["rccontinue"]
|
||||||
|
database.session.commit()
|
||||||
|
print("finished")
|
||||||
|
|
||||||
|
|
||||||
|
# read_changes()
|
||||||
|
# get_timestamp()
|
||||||
|
# get_changes()
|
||||||
|
|
||||||
|
while True:
|
||||||
|
update_database()
|
||||||
|
sleep(60)
|
Loading…
Reference in a new issue