如何从维基百科SQL Dump提取Outline、List类内容页面？对应Dump是哪些？

1. 提取Outline、List类内容页面的pageid或标题的方法 #

• 页面解析+API查询：先解析Wikipedia:Contents页面，提取其中标注为Outline、List的条目标题，再通过MediaWiki API批量查询这些标题对应的pageid。具体可使用action=query接口，传入titles参数（多个标题用竖线分隔），搭配prop=info参数获取pageid信息。
• 分类系统筛选：Outline类页面基本都归属“Outlines”分类，List类页面多属于“Lists of lists”或各主题下的Lists分类。通过API的categorymembers查询接口，指定对应分类标题，即可获取该分类下所有页面的标题和pageid；如果有数据库访问权限，可直接关联page表与categorylinks表，筛选cl_to字段为目标分类名称的条目，提取pageid和标题。
• 标题关键词匹配：对于标题明确包含“Outline of”或“List of”的页面，可直接通过API或数据库的模糊查询筛选，比如数据库中用WHERE page_title LIKE '%Outline_of%'或%List_of%（注意MediaWiki的标题存储格式是下划线替代空格）。

2. 包含此类信息的Dump #

• 页面内容Dump：完整的多流页面Dump（如pages-articles-multistream.xml.bz2）包含所有主命名空间页面的标题和内容，可通过标题关键词匹配或解析内容中的分类标签来筛选目标页面。
• 分类链接Dump：categorylinks.sql.gz包含所有页面的分类关联数据，结合page.sql.gz（页面元数据Dump），可精准筛选归属Outline、List相关分类的页面条目，获取pageid和标题。
• 页面元数据Dump：page.sql.gz存储了所有页面的基本信息（包括pageid、标题、命名空间），可通过标题关键词模糊匹配筛选目标页面，但准确性依赖标题的规范命名。

内容的提问来源于stack exchange，提问作者user305883