如何通过SQL dumps提取维基百科信息框与模板内的页面链接

核心用到的数据表 #

• page：先定位目标页面（比如DNA）的page_id和标题，这是所有关联操作的基础。
• templatelinks：用来查找目标页面调用的信息框模板——信息框本身属于模板，通过目标页面的page_id关联tl_from字段，就能查到页面使用的信息框模板名称。
• pagelinks：模板内部的所有页面链接都存在这个表中，但需要用信息框模板自身的page_id作为pl_from筛选条件，才能精准提取信息框里的链接。

具体操作步骤 #

1. 查询目标页面的ID（以DNA页面为例）：

   SELECT page_id FROM page WHERE page_title = 'DNA' AND page_namespace = 0;
   

   （注：page_namespace=0对应普通文章的主命名空间，确保筛选的是目标文章页面）

2. 用目标页面ID找到它调用的信息框模板：

   SELECT tl_title FROM templatelinks WHERE tl_from = [第一步查到的目标页面ID] AND tl_title LIKE 'Infobox%';
   

   （用Infobox%匹配常规信息框模板，若遇到特殊命名的信息框，可调整匹配规则）

3. 查询该信息框模板的页面ID（模板都存储在命名空间10）：

   SELECT page_id FROM page WHERE page_title = [第二步查到的信息框模板名] AND page_namespace = 10;
   

4. 提取信息框内的所有页面链接：

   SELECT pl_title FROM pagelinks WHERE pl_from = [第三步查到的模板page_id] AND pl_namespace = 0;
   

   （pl_namespace=0仅筛选主命名空间的文章链接，排除讨论页、模板页等无关内容）

补充说明 #

你之前在templatelinks里找不到链接是正常的——这个表仅记录页面调用了哪些模板，不存储模板内部的链接内容。模板里的页面链接都存在pagelinks中，但必须以模板自身的page_id作为筛选条件，而非目标页面的ID。如果目标页面调用了多个信息框，第二步会返回多个模板名称，逐个处理即可。

内容的提问来源于stack exchange，提问作者user305883