Dnešní článek se bude zajisté hodit každému, kdo pracuje v oblasti machine learningu a potřebuje zpracovat velké množství textu, které se nachází v současné Wikipedii. Ukáži pár kousků kódu, které vám usnadní začátek při získávání čistého textu z MediaWiki stránek.
Jestli jste někdy řešili nasazování aplikace, asi víte, že všechno odladit může být celkem zdlouhavá záležitost. Dokážete si představit, že na to máte jen týden? Že je to nemožné? Není! Jde to a ani to nemusí být příliš složité.
Reportáž z virtuální konference FOSDEM. Minule jsem popsali Go room, dnes se věnujeme monitoringu a observability.
Mikrofrontendy jsou zajímavá adaptace konceptu microservices pro potřeby frontendového vývoje. Podívejte se, co to v praxi obnáší a proč jsme se v Seznam.cz rozhodli vyvinout náš vlastní microfrontend framework, Merkur.
Pozor na namespace
V článku to není zmíněno, ale namespace ve wikipedia dumpech se mění. Takže aktuální hodnota pro dump http://dumps.wikimedia.org/cswiki/latest/ je http://www.mediawiki.org/xml/export-0.10/
Alternativa je získat hodnoty namespace přímo ze souboru, což už je to nakopnutí ke komplexnějšímu chování o kterém Honza píše v závěru.
Například takto: https://gist.github.com/jirivrany/77d4f250f773e81064dc