wikipedia/scripts/fetch_enwiki_revisions.py

   1 #!/usr/bin/env python3
   2
   3 ###############################################################################
   4 #
   5 # This script assumes the presence of the COVID-19 repo.
   6 #
   7 # It (1) reads in the article list and then (2) calls the Wikimedia API to
   8 # fetch view information for each article. Output is to (3) JSON and TSV.
   9 #
  10 ###############################################################################
  11
  12 import argparse
  13 import logging
  14 import os.path
  15 import json
  16 import subprocess
  17 import datetime
  18
  19 from requests import Request
  20 from csv import DictWriter
  21 from mw import api
  22
  23
  24 def parse_args():
  25
  26     parser = argparse.ArgumentParser(description='Call the views API to collect Wikipedia revision data.')
  27     parser.add_argument('-o', '--output_folder', help='Where to save output', default="wikipedia/data", type=str)
  28     parser.add_argument('-i', '--article_file', help='File listing article names', default="wikipedia/resources/enwp_wikiproject_covid19_articles.txt", type=str)
  29     parser.add_argument('-L', '--logging_level', help='Logging level. Options are debug, info, warning, error, critical. Default: info.', default='info', type=str),
  30     parser.add_argument('-W', '--logging_destination', help='Logging destination file. (default: standard error)', type=str),
  31     args = parser.parse_args()
  32     return(args)
  33
  34 def main():
  35     args = parse_args()
  36
  37     output_path = args.output_folder
  38     article_filename = args.article_file
  39
  40     #handle -L
  41     loglevel_mapping = { 'debug' : logging.DEBUG,
  42                          'info' : logging.INFO,
  43                          'warning' : logging.WARNING,
  44                          'error' : logging.ERROR,
  45                          'critical' : logging.CRITICAL }
  46
  47     if args.logging_level in loglevel_mapping:
  48         loglevel = loglevel_mapping[args.logging_level]
  49     else:
  50         print("Choose a valid log level: debug, info, warning, error, or critical")
  51         exit
  52
  53     #handle -W
  54     if args.logging_destination:
  55         logging.basicConfig(filename=args.logging_destination, filemode='a', level=loglevel)
  56     else:
  57         logging.basicConfig(level=loglevel)
  58
  59     export_git_hash = subprocess.check_output(['git', 'rev-parse', 'HEAD']).decode().strip()
  60     export_git_short_hash = subprocess.check_output(['git', 'rev-parse', '--short', 'HEAD']).decode().strip()
  61     export_time = str(datetime.datetime.now())
  62     export_date = datetime.datetime.today().strftime("%Y%m%d")
  63
  64     logging.info(f"Starting run at {export_time}")
  65     logging.info(f"Last commit: {export_git_hash}")
  66
  67     json_output_filename = os.path.join(output_path, f"digobs_covid19-wikipedia-enwiki_revisions-{export_date}.json")
  68     tsv_output_filename =  os.path.join(output_path, f"digobs_covid19-wikipedia-enwiki_revisions-{export_date}.tsv")
  69
  70     api_session = api.Session("https://en.wikipedia.org/w/api.php")
  71
  72     # list of properties from the API we want to gather (basically all of
  73     # them supported by mediawik-utilities)
  74
  75     rv_props =  {'revid' : 'ids',
  76                  'timestamp' : 'timestamp',
  77                  'user' : 'user',
  78                  'userid' : 'userid',
  79                  'size' : 'size',
  80                  'sha1' : 'sha1',
  81                  'contentmodel' : 'contentmodel',
  82                  'tags' : 'tags',
  83                  'comment' : 'comment',
  84                  'content' : 'content' }
  85
  86     exclude_from_tsv = ['tags', 'comment', 'content']
  87
  88     # load the list of articles
  89     with open(article_filename, 'r') as infile:
  90         article_list = [art.strip() for art in list(infile)]
  91
  92     def get_revisions_for_page(title):
  93         return api_session.revisions.query(properties=rv_props.values(),
  94                                            titles={title},
  95                                            direction="newer")
  96
  97     tsv_fields = ['title', 'pageid', 'namespace']
  98     tsv_fields = tsv_fields + list(rv_props.keys())
  99
 100     # drop fields that we identified for exclusion
 101     tsv_fields = [e for e in tsv_fields if e not in exclude_from_tsv]
 102
 103     # add special export fields
 104     tsv_fields = tsv_fields + ['url', 'export_timestamp', 'export_commit']
 105
 106     export_info = { 'git_commit' : export_git_hash,
 107                     'timestamp' : export_time }
 108
 109     with open(json_output_filename, 'w') as json_output, \
 110          open(tsv_output_filename, 'w') as tsv_output:
 111
 112         tsv_writer = DictWriter(tsv_output, fieldnames=tsv_fields, delimiter="\t")
 113         tsv_writer.writeheader()
 114
 115         for article in article_list:
 116             logging.info(f"pulling revisions for: {article}")
 117             for rev in get_revisions_for_page(article):
 118                 logging.debug(f"processing raw revision: {rev}")
 119
 120                 # add export metadata
 121                 rev['exported'] = export_info
 122
 123                 # save the json version of the code
 124                 print(json.dumps(rev), file=json_output)
 125
 126                 # handle missing data
 127                 if "sha1" not in rev:
 128                     rev["sha1"] = ""
 129
 130                 # add page title information
 131                 rev['title'] = rev['page']['title']
 132                 rev['pageid'] = rev['page']['pageid']
 133                 rev['namespace'] = rev['page']['ns']
 134
 135                 # construct a URL
 136                 rev['url'] = Request('GET', 'https://en.wikipedia.org/w/index.php',
 137                                      params={'title' : rev['title'].replace(" ", "_"),
 138                                             'oldid' : rev['revid']}).prepare().url
 139
 140                 rev['export_timestamp'] = export_time
 141                 rev['export_commit'] = export_git_short_hash
 142
 143                 tsv_writer.writerow({k: rev[k] for k in tsv_fields})
 144             break
 145
 146 if __name__ == "__main__":
 147
 148     main()