解析cs.wiktionary.org的维基词典

将维基词典的捷克语版页面解析为结构化数据。

以下信息适用于所有维基词典的语言版本。有关特定语言版本的信息，请参阅其文档。

简介

维基词典是一个包含数百万条词汇的词典，包含关于许多语言中词汇和短语的广泛数据。词典数据在免费许可下分发，允许在其他应用中使用。不幸的是，它是以一种格式编写的，阻止了在其他应用中使用。该格式仅设计用于转换为维基词典本身显示的确切HTML格式，而不是解析为具有其他用途或以其他格式显示的语义数据。

然而，该格式包含足够结构化的有意义数据，可以困难地将大部分数据解析为结构化数据。Parse Wiktionary 执行了将维基词典条目解析为结构化格式的艰巨任务，该格式可以轻松用于查询条目的详细信息，用于不同的目的，并以不同的格式展示。由于维基词典的每个语言版本都非常不同，因此为维基词典的每个版本都有一个不同的版本，并且它们都有不同的输出格式。目前Parse Wiktionary存在于维基词典的英语（en.wiktionary.org）、德语（de.wiktionary.org）和捷克语（cs.wiktionary.org）版本。

限制

维基词典中的信息的不同部分以不同的格式编写，这些格式在规律性和复杂性方面有所不同。

• 某些部分具有高度规律化的格式。这些部分直接解析为表示条目中声明的事实语义数据，而不是声明它们的格式。
• 某些部分具有可管理的复杂性但并不完全一致的格式。这些部分不解析为语义数据，而是解析为自由格式文档。这些文档是一系列元素，其中任何支持的元素都可以出现，并且可以以任何顺序出现。还有一个表示无法解析的wiki文本的元素。文档可以通过显示所有元素来显示，或者在这些情况下，如果文档符合足够的规律化格式，可以进一步解析为语义数据。
• 某些部分没有一致的格式，或者具有过于复杂和动态的格式，该格式随时间变化，因为模板被添加或编辑。这些部分根本不解析。但是，Parse Wiktionary可能会在输出中放置表示这些部分存在的标志。

在所有版本的维基词典中，标题都遵循一种规范格式。因此，标题被解析为语义上的。然而，章节的内容可能或可能不在规范格式中，这取决于章节。因此，许多章节被解析为自由形式的文档。然而，这种自由形式的文档是存储在具有语义意义的字段中的。这意味着尽管文档的内容不是语义化的，但它们以语义化的方式组织，允许应用程序选择要获取哪些章节以及如何处理每个章节。

长期目标是消除所有这些限制，并将维基词典中的所有信息解析为结构化语义数据。这需要维基词典编辑者的合作。可以为每个章节创建一个标准格式，并鼓励作者遵循标准格式。解析维基词典可以被集成到维基词典中，并在编辑过程中验证条目，显示有关任何不符合标准格式的警告。还可以将更多数据传输到维基数据，维基数据从一开始就被设计用来存储语义数据。