simple_extract.py

#!/usr/bin/env python3
import bz2
import re
import os

os.makedirs("data", exist_ok=True)

print("Wikipedia açıyor... (196MB, ~2-3 dk sürebilir)")

with bz2.open("data/trwiki-latest-pages-articles.xml.bz2", "rt", encoding="utf-8", errors="ignore") as f:
    content = f.read()

print("Metin çıkarılıyor...")

# Sayfa metinlerini bul
pages = re.findall(r'<text[^>]*>(.*?)</text>', content, re.DOTALL)

count = 0
with open("data/wikipedia_tr.txt", "w", encoding="utf-8") as out:
    for text in pages:
        # Wiki markup temizle
        text = re.sub(r'\{\{.*?\}\}', '', text, flags=re.DOTALL)
        text = re.sub(r'\[\[([^\]]*\|)?', '', text)
        text = re.sub(r'\]\]', '', text)
        text = re.sub(r'==.*?==', '', text)
        text = re.sub(r"''+", '', text)
        text = re.sub(r'__.*?__', '', text)
        text = re.sub(r'&lt;.*?&gt;', '', text)
        text = re.sub(r'\n+', ' ', text)
        text = re.sub(r'\s+', ' ', text)

        if len(text.strip()) > 100:
            out.write(text.strip() + "\n\n")
            count += 1
            if count % 10000 == 0:
                print(f"İşlendi: {count} sayfa")

print(f"Tamamlandı! {count} sayya çıkarıldı.")
print("Dosya: data/wikipedia_tr.txt")