WikiExtractor/wikiextractor

Ver en GitHub

A tool for extracting plain text from Wikipedia dumps

Estrellas: 4k
Forks: 1k
Issues abiertos para principiantes: 1
Issues indexados: 84
Merge medio: 1 min
PR fusionados (30 d): 10

Lenguaje dominante: Python
Licencia: AGPL-3.0
Último push a GitHub: 6/9/2026
Última indexación: 20/9/2026
Guía de contribución: Sin guía de contribución
Código de conducta: Sin código de conducta
Etiquetas para principiantes: Sin etiquetas para principiantes indexadas

Para principiantes Todo

Abierto Todos

84 issues abiertos indexados

More extensible redirect keywords Abierto

Dificultad 4/5 3-5 días Aptitud para principiantes 45/100

WikiExtractor/wikiextractor#450 · Abierto el 6/9/2026
WikiExtractor could use the language defined in the template dump, if available Abierto

Dificultad 4/5 3-5 días Aptitud para principiantes 45/100

WikiExtractor/wikiextractor#444 · Abierto el 4/9/2026
Stability - have the main process check worker and reducer health Abierto

Dificultad 4/5 3-5 días Aptitud para principiantes 45/100

WikiExtractor/wikiextractor#438 · Abierto el 17/8/2026
`#ifexist` issues - perhaps cache the existence of pages at the start? Abierto

Dificultad 4/5 3-5 días Aptitud para principiantes 45/100

WikiExtractor/wikiextractor#426 · Abierto el 9/8/2026
If a `<div>` tag has `style="display:none"` in it, perhaps that entire content should be vaporized Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 55/100

WikiExtractor/wikiextractor#421 · Abierto el 8/8/2026
`#invoke` dispatch doesn't recognize localized aliases (e.g. Urdu's `#استدعا`) Abierto

Dificultad 4/5 3-5 días Aptitud para principiantes 55/100

WikiExtractor/wikiextractor#414 · 1 comentario · Abierto el 6/8/2026
Lua interpreter? Abierto

Dificultad 5/5 Más de una semana Aptitud para principiantes 30/100

WikiExtractor/wikiextractor#413 · Abierto el 5/8/2026
`<table>` tag removal leads to connected text? Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 45/100

WikiExtractor/wikiextractor#385 · Abierto el 1/8/2026
📋 Documentation Enhancement Suggestion Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 45/100

WikiExtractor/wikiextractor#352 · Abierto el 26/3/2026
Add man support Abierto

Dificultad 5/5 Más de una semana Aptitud para principiantes 25/100

WikiExtractor/wikiextractor#351 · Abierto el 27/2/2026
3.0.6 (pypi) not fully extracting? Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 35/100

WikiExtractor/wikiextractor#346 · Abierto el 21/8/2025
Is this project abandoned? Abierto

Dificultad 5/5 Más de una semana Aptitud para principiantes 20/100

WikiExtractor/wikiextractor#335 · 9 comentarios · 13 reacciones · Abierto el 26/6/2024
OSS-Fuzz Integration Abierto

Dificultad 5/5 Más de una semana Aptitud para principiantes 25/100

WikiExtractor/wikiextractor#334 · Abierto el 30/5/2024
Get all revisions content Abierto

Dificultad 5/5 Más de una semana Aptitud para principiantes 30/100

WikiExtractor/wikiextractor#332 · Abierto el 20/5/2024
How to store a document in a separate txt file instead of a single txt file containing multiple documents Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 30/100

WikiExtractor/wikiextractor#328 · 2 comentarios · Abierto el 12/3/2024
Wikidata Extraction Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 35/100

WikiExtractor/wikiextractor#325 · Abierto el 26/11/2023
Parsing seems to exclude some part of the page Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 25/100

WikiExtractor/wikiextractor#324 · Abierto el 10/11/2023
Bullet points are missing in the final extracted text Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 68/100

WikiExtractor/wikiextractor#321 · 1 comentario · Abierto el 8/9/2023
Add feature to extractPage to also dump the extracted page to json/csv/txt Abierto

Dificultad 5/5 Más de una semana Aptitud para principiantes 25/100

WikiExtractor/wikiextractor#317 · Abierto el 15/8/2023
Why was --keep_tables removed? Abierto

Dificultad 1/5 Menos de una hora Aptitud para principiantes 25/100

WikiExtractor/wikiextractor#308 · Abierto el 8/4/2023
How to extract lists pages? Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 28/100

WikiExtractor/wikiextractor#302 · Abierto el 29/12/2022
Non-textual elements score and mapframe are not filtered out Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 45/100

WikiExtractor/wikiextractor#301 · Abierto el 29/12/2022
Various tags such as q, br, ins, del are not fitered out Abierto

Dificultad 4/5 3-5 días Aptitud para principiantes 35/100

WikiExtractor/wikiextractor#300 · 1 comentario · Abierto el 29/12/2022
Option to drop section titles/headers Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 42/100

WikiExtractor/wikiextractor#293 · 1 comentario · 1 reacción · Abierto el 19/9/2022
ModuleNotFoundError: No module named '__main__.extract'; '__main__' is not a package Abierto

Dificultad 4/5 3-5 días Aptitud para principiantes 20/100

WikiExtractor/wikiextractor#291 · 1 reacción · Abierto el 4/8/2022
how to get mention/anchor by wikiextractor. Abierto

Dificultad 5/5 Más de una semana Aptitud para principiantes 20/100

WikiExtractor/wikiextractor#286 · Abierto el 3/4/2022
Question: Cirrus Extractor vs. "normal" Extractor - who creates cleaner texts? Abierto

Dificultad 1/5 Menos de una hora Aptitud para principiantes 15/100

WikiExtractor/wikiextractor#282 · 1 comentario · Abierto el 21/2/2022
KeyError for producing HTML output with `--html` Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 30/100

WikiExtractor/wikiextractor#280 · 1 comentario · 9 reacciones · Abierto el 18/12/2021
Extraction of french wikipedia has lacks and syntaxic faults Abierto

Dificultad 4/5 3-5 días Aptitud para principiantes 35/100

WikiExtractor/wikiextractor#279 · 1 comentario · 2 reacciones · Abierto el 8/12/2021
文章摘要抽取不到数据 Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 25/100

WikiExtractor/wikiextractor#277 · 4 comentarios · Abierto el 8/11/2021
templates are not extracted correctly Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 64/100

WikiExtractor/wikiextractor#275 · 1 comentario · 1 reacción · Abierto el 15/10/2021
Would be nice to continue after interrupt Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 42/100

WikiExtractor/wikiextractor#270 · Abierto el 16/8/2021
[Feature Request]: Capture Paragaph Heading information Abierto

Dificultad 5/5 Más de una semana Aptitud para principiantes 25/100

WikiExtractor/wikiextractor#268 · 1 comentario · Abierto el 4/8/2021
"revid" is incorrectly the page.revision.contributor.id, when it should be the page.revision.id Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 45/100

WikiExtractor/wikiextractor#267 · 2 comentarios · Abierto el 1/8/2021
How to preserve sections? Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 30/100

WikiExtractor/wikiextractor#264 · 1 comentario · 5 reacciones · Abierto el 29/6/2021
section arg not regonized Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 25/100

WikiExtractor/wikiextractor#255 · 1 comentario · Abierto el 3/5/2021
Problems with the import extract Abierto

Dificultad 2/5 1-3 horas Aptitud para principiantes 35/100

WikiExtractor/wikiextractor#252 · 2 comentarios · Abierto el 2/4/2021
the function dropNested Abierto

Dificultad 2/5 1-3 horas Aptitud para principiantes 35/100

WikiExtractor/wikiextractor#248 · Abierto el 16/3/2021
Help! DO dump files contain the wikitable in the wikipedia? Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 25/100

WikiExtractor/wikiextractor#247 · 1 comentario · Abierto el 27/2/2021
Missing bullets content Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 42/100

WikiExtractor/wikiextractor#245 · 1 comentario · 6 reacciones · Abierto el 9/2/2021
TypeError: __init__() missing 2 required positional arguments: 'title' and 'page' Abierto

Dificultad 4/5 3-5 días Aptitud para principiantes 20/100

WikiExtractor/wikiextractor#240 · Abierto el 22/12/2020
bugs, syntax errors, documentation errors and wild popularity Abierto

Dificultad 5/5 Más de una semana Aptitud para principiantes 20/100

WikiExtractor/wikiextractor#231 · 2 comentarios · Abierto el 1/12/2020
for people with all kinds of weird bugs Abierto

Dificultad 1/5 Menos de una hora Aptitud para principiantes 35/100

WikiExtractor/wikiextractor#222 · 7 comentarios · 5 reacciones · Abierto el 13/10/2020
[For reference] Another Wiki extractor tool Abierto

Dificultad 5/5 Más de una semana Aptitud para principiantes 10/100

WikiExtractor/wikiextractor#220 · Abierto el 17/9/2020
How to extract articles from main namespace only Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 35/100

WikiExtractor/wikiextractor#213 · 1 comentario · Abierto el 22/7/2020
Wrong guide for the usage for the argument “--no-templates” Abierto

Dificultad 1/5 Menos de una hora Aptitud para principiantes 45/100

WikiExtractor/wikiextractor#209 · 1 comentario · 2 reacciones · Abierto el 3/6/2020
Can i have 1 output per file Abierto

Dificultad 3/5 1-2 días Aptitud para principiantes 35/100

WikiExtractor/wikiextractor#206 · 2 comentarios · Abierto el 14/4/2020
UnicodeDecodeError when extracting from an (decompressed) .xml dump Abierto

Dificultad 2/5 1-3 horas Aptitud para principiantes 52/100

WikiExtractor/wikiextractor#200 · 1 comentario · 3 reacciones · Abierto el 8/1/2020
template expansion works well in an old version Abierto

Dificultad 5/5 Más de una semana Aptitud para principiantes 25/100

WikiExtractor/wikiextractor#197 · 2 comentarios · 1 reacción · Abierto el 18/11/2019
Last category in article not checked correctly Abierto

Dificultad 2/5 1-3 horas Aptitud para principiantes 42/100

WikiExtractor/wikiextractor#193 · 1 comentario · 1 reacción · Abierto el 26/10/2019

WikiExtractor/wikiextractor

Recibe los nuevos issues en tu correo