README

1 . parse_company.py

适合规整的key-value结构infobox提取，部分具体infobox_type如下：

• ‘Infobox company’
• ‘Infobox book’
• ‘Infobox peroson’
• ‘Infobox university’
• ‘Infobox military person’
• ‘Infobox artist’
• ‘Infobox scientist’
• ‘Infobox football club’
• ‘Infobox Organization’
• ‘Infobox award’
• ‘Infobox video game’
• ‘Infobox ice hockey player’
• ‘Infobox protected area’
• ‘Infobox lake’
• ‘Infobox radio station’
• ‘Infobox software’
• ‘Infobox writer’ （特殊情况 见注释）
• ‘Infobox football match’ （特殊情况 见注释）
• ‘Infobox prepared food’ （特殊情况 见注释）
• ‘Infobox ship begin’（特殊情况 见注释）

使用其他模板报错词条可以用此模板修正，查找错误词条语句比如：
for item in db.wiki_en2.find({‘info_box_type’:box_type}，
‘infobox21_flag’:-1，no_cursor_timeout=True).batch_size(50)：

2 . parse_Officeholder.py

政府官员常用模板，有key-value和group，特点：有in office。
部分具体infobox_type如下：

• ‘Infobox Officeholder’
• ‘Infobox officeholder
• ‘Infobox Congressman’
• ‘Infobox congressman’
• ‘Infobox State Representative’
• ‘Infobox Politician’
• ‘Infobox politician’
• ‘Infobox MP’

3.untility.py

parse_*.py文件引用的公共模块，
存放正则表达、信息提取、th/tr处理、上标转换等。

4.parse_xx.py

第二次的版本，基本可直接运行，对应Infobo类型为’Infobox xx’.

parse_Election.py 可以提取 ‘Infobox Election’类型的infobox
parse_planet.py 可以提取 ‘Infobox planet’类型的infobox
parse_Album.py 可以提取 ‘Infobox Album’、’Infobox single’类型的Infobox
parse_NCAA_team_season.py 可以提取 ‘Infobox NCAA team season’
…

5.parse_infobox_xx_en.py

第一次的版本，存在一些问题，可以参考或者继续改进。

parse_infobox_station_en.py 可以提取 ‘Infobox station’类型的infobox
…
注意：第一次的版本没有取value的内链。

6.infobox/main.py

对于复杂的具有key-value 、 table 、group的infobox，可以运行infobox项目。
输入box_type，选择合适的模板（album/sportsperson/settlement），最后运行main.py。

box_type = 'Infobox Album'
moduleName = "album"  # 选择模板

6.infobox/pattern/album.py

适用于明显分组的infobox，部分具体infobox_type如下：

• ‘Infobox baseball biography’
• ‘Infobox building’
• ‘Infobox cricketer’
• ‘Infobox school’
• ‘Infobox road’
• ‘Infobox journal’
• ‘Infobox mountain’
• ‘Infobox NFL player’
• ‘Infobox rugby league biography’
• ‘Infobox boxer’
• ‘Infobox golfer’
• ‘Infobox college coach’
• ‘Infobox political party’
• ‘Infobox AFL biography’
• ‘Infobox park’
• ‘Infobox royalty’
• ‘Infobox church’
• ‘Infobox Australian place’
• ‘Infobox Christian leader’
• ‘Infobox song’
• ‘Infobox rockunit’

7.infobox/pattern/sportsperson.py

与album.py模板类似，适用于明显分组且底部有record的infobox，
一般为运动员，部分具体infobox_type如下：

• ‘Infobox sportsperson’
• ‘Infobox swimmer’
• ‘Infobox athlete’
• ‘Infobox tennis biography’

8.infobox/pattern/settlement.py

适用于以横线分组的infobox，部分具体infobox_type如下：

• ‘Infobox settlement’
• ‘Infobox Settlement’
• ‘Infobox Italian comune’
• ‘Infobox UK place’
• ‘Infobox German location’

9.infobox/pattern/common.py

*.py文件引用的公共模块，
存放正则表达、tr模式匹配方式、th/tr处理、上标转换等。