维基百科网页浏览分析

Question

我受到维基百科页面浏览量分析的挑战。对我来说，这是第一个拥有这么多数据的项目，我有点迷失了。当我从该链接下载该文件并解压缩它时，我可以看到它有一个类似于表的结构，其行如下所示：

1   |  2                             |3|4

en.m The_Beatles_in_the_United_States 2 0

我很难在每一栏中找到确切的内容。我猜：

语言版本和附加信息(.m = mobile?)

文章名称

我最关心的是最后两栏。最后一个只有"0“值，我不知道它代表什么。那么，我假设第三个显示了观看的数量，但我不确定。

如果有人能帮助我理解每篇专栏到底能找到什么，或者推荐一些关于这个主题的阅读材料，我将不胜感激。谢谢!

Answer 1

在这件事上花了更多时间之后，我终于找到了解决办法。我发这篇文章是为了防止将来有人有同样的问题。维基百科解释了在数据库中可以找到什么。这些解释很难找到，但您可以访问主题这里和这里。

基于此，可以看到行具有以下结构：

• 域码
• page_title
• count_views
• total_response_size (不再维护)

对每一栏的一些解释：

第1栏：

域名的请求，缩写。(...)Domain_code现在也可以是移动域名和零域名的缩写，在这种情况下，.m或.zero作为域名的第二部分插入(与完整域名一样)。例如“en.m.v”代表"en.m.wikiversity.org“。

第2栏：

对于页面级别的文件，它在/wiki/ -in请求Url之后保留未规范化部分的标题(例如: Main_Page柏林)。对于项目级别的文件，它是-。

第3栏：

在相应的小时内查看此页面的次数。

第4栏：

对此页的请求在相应小时内引起的响应总数。如果我正确理解它，响应大小将因精度低而停止。这就是为什么只有0。分页器和项目计数文件在各自的聚合级别还包括响应字节的总大小，但是这是从页面视图和项目视图文件中删除的，因为它不是非常准确。

希望有人发现它有用。

Answer 2

行格式：

• wiki码(subproject.project)
• 文章标题
• 每月总计(在缺少数据时进行插值)
• 每小时计数

(来自分页，它是同一个数据集，只需较少的过滤。)

显然是错误的；它使用域名的前两部分作为wiki代码，它不适用于移动域(以<language>.m.<project>.org形式存在)。