]> code.communitydata.science - covid19.git/blob - transliterations/src/wikidata_transliterations.py
d878354876bc10fd229fc1bd0959c2518f3fe2e1
[covid19.git] / transliterations / src / wikidata_transliterations.py
1 from wikidata_api_calls import run_sparql_query
2 from itertools import chain, islice
3 import csv
4 from json import JSONDecodeError
5
6 class LabelData:
7     __slots__ = ['entityid','label','langcode','is_alt']
8
9     def __init__(self, wd_res, is_alt):
10         obj = wd_res.get('label',None)
11         self.label = obj.get('value',None)
12         self.langcode = obj.get('xml:lang',None)
13         self.entityid = wd_res.get('entity',None).get('value',None)
14         self.is_alt = is_alt
15
16     def to_list(self):
17         return [self.entityid,
18                 self.label,
19                 self.langcode,
20                 self.is_alt]
21
22 def GetAllLabels(in_csvs, outfile, topNs):
23
24     def load_entity_ids(in_csv, topN=5):
25         with open(in_csv,'r',newline='') as infile:
26             reader = csv.DictReader(infile)
27             for row in reader:
28                 if int(row['search_position']) < topN:
29                     yield row["entityid"]
30
31     ids = set(chain(* map(lambda in_csv, topN: load_entity_ids(in_csv, topN), in_csvs, topNs)))
32
33     labeldata = GetEntityLabels(ids)
34
35     with open(outfile, 'w', newline='') as of:
36         writer = csv.writer(of)
37         writer.writerow(LabelData.__slots__)
38         writer.writerows(map(LabelData.to_list,labeldata))
39
40     
41 def GetEntityLabels(entityids):
42
43     def run_query_and_parse(query, is_alt):
44         results = run_sparql_query(query)
45         try:
46             jobj = results.json()
47
48             res = jobj.get('results',None)
49             if res is not None:
50                 res = res.get('bindings',None)
51             if res is None:
52                 raise requests.APIError(f"got invalid response from wikidata for {query % entityid}")
53
54             for info in res:
55                 yield LabelData(info, is_alt)
56
57         except JSONDecodeError as e:
58             print(e)
59             print(query)
60             
61     def prep_query(query, prop, entityids):
62         values = ' '.join(('wd:{0}'.format(id) for id in entityids))
63         return query.format(prop, values)
64     
65     base_query = """
66     SELECT DISTINCT ?entity ?label WHERE {{
67     ?entity {0} ?label;
68     VALUES ?entity  {{ {1} }}
69     }}"""
70
71     # we can't get all the entities at once. how about 100 at a time?
72     chunksize = 100
73     entityids = (id for id in entityids)
74     chunk = list(islice(entityids, chunksize))
75     calls = []
76     while len(chunk) > 0:
77         label_query = prep_query(base_query, "rdfs:label", chunk)
78         altLabel_query = prep_query(base_query, "skos:altLabel", chunk)
79         label_results = run_query_and_parse(label_query,  is_alt=False)
80         altLabel_results = run_query_and_parse(altLabel_query, is_alt=True)
81         calls.extend([label_results, altLabel_results])
82         chunk = list(islice(entityids, chunksize))
83
84     return chain(*calls)
85         
86
87 if __name__ == "__main__":
88     import argparse
89     parser = argparse.ArgumentParser("Use wikidata to find transliterations of terms")
90     parser.add_argument('inputs', type=str, nargs='+', help='one or more files to read. the inputs are generated by wikidata_search.py')
91     parser.add_argument('--topN', type=int, nargs='+', help='limit number of wikidata search results to use, can pass one arg for each source.')
92     parser.add_argument('--output', type=str, help='an output file. defaults to stdout',default=20)
93
94     args = parser.parse_args()
95
96     GetAllLabels(args.inputs, args.output, topNs=args.topN)

Community Data Science Collective || Want to submit a patch?