我之前帮朋友处理过类似的需求，把英文维基的纯文本文章导入自建MediaWiki，步骤其实挺清晰的，给你详细拆解一下：

一、先搞定服务器和环境准备 #

• 确认MediaWiki版本：登录你的MediaWiki后台，打开Special:Version页面，尽量用较新的稳定版，避免后续工具兼容性问题。
• 检查服务器资源：英文维基的文章dump真的很大，解压后处理完至少要几十GB，所以磁盘得留100GB以上空间；内存建议8GB+，多核心CPU能大幅缩短处理时间。
• 安装必备工具：在Ubuntu终端里运行这些命令：

  sudo apt update && sudo apt install bzip2 python3 python3-pip
  

二、下载英文维基百科的文章Dump包 #

你需要去维基媒体的官方dump站点，找到最新的pages-articles压缩包，文件名格式为enwiki-latest-pages-articles.xml.bz2。这个包只包含主命名空间的所有文章，完全不含图片和多媒体内容，正好符合你的需求。下载时建议用wget后台运行，避免断开连接中断，命令格式类似：

nohup wget [官方dump包地址] &

三、提取纯文本内容 #

直接用原始的XML dump导入会带很多维基标记（比如模板、链接格式），所以得先提取纯文本。推荐用wikiextractor这个工具，专门用来处理维基dump的纯文本提取：

1. 安装工具：

   pip install wikiextractor
   

2. 运行提取命令：

   python -m wikiextractor enwiki-latest-pages-articles.xml.bz2 --output extracted_text --bytes 1M --sections --no-templates
   

   解释下参数：
   • --output extracted_text：指定提取后的文本存到extracted_text目录
   • --bytes 1M：把大文件分割成1MB左右的小文件，方便后续处理
   • --sections：保留文章的章节结构
   • --no-templates：去掉维基的模板内容，只留纯文本
3. 提取完成后，extracted_text目录下会生成很多分块文件，每个文件里是多篇文章，格式是# 文章标题加换行后的纯文本内容。

四、导入到你的MediaWiki数据库 #

这里有两种靠谱的方法，你可以选适合自己的：

方法一：用MediaWiki自带的维护脚本导入 #

这种方法适合批量导入，效率较高：

1. 先把提取的纯文本转换成MediaWiki支持的XML导入格式。你可以写个简单的Python脚本，遍历所有提取的文件，把每篇文章转换成<page><title>标题</title><text>纯文本内容</text></page>的格式，然后合并成一个大的XML文件。
2. 调整MediaWiki的内存限制：打开LocalSettings.php，添加或修改一行：

   $wgMemoryLimit = '2048M';
   

3. 运行导入脚本：

   nohup php maintenance/importDump.php --conf LocalSettings.php your_converted_dump.xml &
   

方法二：用Pywikibot批量创建页面 #

这种方法更灵活，适合需要自定义导入逻辑的场景：

1. 安装Pywikibot：

   pip install pywikibot
   

2. 配置Pywikibot：先在你的MediaWiki后台创建一个bot账号（给它编辑权限），然后运行：

   pwb generate_user_files
   

   按照提示输入你的MediaWiki站点URL、bot账号和密码，生成配置文件。
3. 写一个批量导入的Python脚本（示例）：

   import pywikibot
   import os
   
   # 连接到你的MediaWiki站点
   site = pywikibot.Site('en', 'yourwiki')  # 替换成你的站点语言和名称
   site.login()
   
   # 遍历提取的文本目录
   extracted_dir = 'extracted_text'
   for root, dirs, files in os.walk(extracted_dir):
       for file in files:
           file_path = os.path.join(root, file)
           with open(file_path, 'r', encoding='utf-8') as f:
               content = f.read()
               # 分割每篇文章
               articles = content.split('\n\n')
               for article in articles:
                   if not article.strip():
                       continue
                   # 提取标题和内容
                   parts = article.split('\n', 1)
                   if len(parts) < 2:
                       continue
                   title = parts[0].strip().lstrip('#').strip()
                   text = parts[1].strip()
                   # 创建或编辑页面
                   page = pywikibot.Page(site, title)
                   page.text = text
                   # 保存页面，备注导入来源
                   page.save('Imported from English Wikipedia (plain text)')
   

4. 运行脚本前，建议临时关闭MediaWiki的编辑速率限制（导入完成后改回来）：在LocalSettings.php里添加：

   $wgRateLimits['edit']['user'] = [0, 0];
   

   然后运行脚本：

   nohup python import_script.py &
   

五、导入后的收尾优化 #

• 更新MediaWiki的索引和缓存：

  php maintenance/update.php --conf LocalSettings.php
  

• 重建搜索索引，这样才能搜索到导入的文章：

  php maintenance/rebuildSearchIndex.php --conf LocalSettings.php
  

• 清理临时文件：删除下载的dump包和extracted_text目录，释放磁盘空间。

一些注意事项 #

• 整个过程耗时很长（下载、提取、导入可能要几天），一定要用nohup或者screen后台运行，避免终端断开导致进程中断。
• 如果服务器资源不够，可以分批次处理：比如先下载一个历史版本的小dump测试流程，再处理最新的完整dump。
• 导入时如果遇到重复标题，MediaWiki会自动跳过或者覆盖，具体取决于脚本参数，你可以根据需求调整。

内容的提问来源于stack exchange，提问作者coding-jewelry