使用rdflib处理YAGO三元组数据集生成RDF图时的URI序列化错误求助

问题场景 #

使用rdflib处理拆分好的YAGO三元组（train.txt/test.txt/valid.txt）时，出现实体名称不符合URI规范的警告，执行NT格式序列化时直接抛出异常：

警告示例：

WARNING:rdflib.term:Robert_John_\u0022Mutt\u0022_Lange does not look like a valid URI, trying to serialize this will break.

序列化错误：

Exception: "Del_Caribe_\u0022Santiago_Mariño\u0022_International_Airport" does not look like a valid URI, I cannot serialize this as N3/Turtle. Perhaps you wanted to urlencode it?

原代码重复读取三个文件，直接将原始实体/关系字符串作为URIRef传入，未处理特殊字符。

问题原因 #

YAGO实体名称包含双引号等特殊字符，直接作为URI违反了RFC定义的URI语法规则，rdflib的URIRef对格式要求严格，序列化时会拒绝处理不符合规范的URI。

解决方案 #

核心是对实体和关系名称进行URL编码，同时为其添加统一的命名空间前缀，确保生成的URI完全符合规范。同时封装重复的文件读取逻辑，减少代码冗余。

修改后的代码 #

from rdflib import Graph, URIRef
from urllib.parse import quote

# 自定义命名空间前缀，可根据需求调整
ENTITY_NAMESPACE = "http://example.org/yago/entities/"
RELATION_NAMESPACE = "http://example.org/yago/relations/"

graph = Graph()

def process_triple_file(file_path):
    """读取三元组文件并添加到RDF图"""
    with open(file_path, "r") as file:
        for line in file:
            parts = line.strip().split()
            if len(parts) == 3:
                entity1, relation, entity2 = parts
                
                # 对实体/关系名称做URL编码，再拼接命名空间生成合法URI
                entity1_uri = URIRef(f"{ENTITY_NAMESPACE}{quote(entity1)}")
                entity2_uri = URIRef(f"{ENTITY_NAMESPACE}{quote(entity2)}")
                relation_uri = URIRef(f"{RELATION_NAMESPACE}{quote(relation)}")
                
                graph.add((entity1_uri, relation_uri, entity2_uri))

# 批量处理三个数据集文件
process_triple_file("train.txt")
process_triple_file("test.txt")
process_triple_file("valid.txt")

# 序列化到NT格式文件
graph.serialize("yago40k.nt", format="nt")

关键说明 #

• URL编码：urllib.parse.quote()会将实体/关系中的特殊字符（如双引号、空格）转换为URI允许的编码格式（例如"转为%22）。
• 命名空间：添加统一前缀确保URI全局唯一，符合RDF最佳实践，避免与其他数据集的URI冲突。
• 代码复用：封装process_triple_file函数，消除重复的文件读取逻辑，提升代码可维护性。

内容的提问来源于stack exchange，提问作者Halima Aoula