RDF 和 SPARQL 初探：以维基数据为例

admin

维基百科有一个姐妹项目，叫做"维基数据"（Wikidata）。你可以从维基百科左侧边栏点进去。
                                                                                                               
"维基数据"将维基百科的所有数据，整理成一个可以机器处理的数据库，方便查询。比如，山西省人口最多的地区是哪一个？
这种问题在维基百科查询，非常费时，必须人工从一个个条目提取信息。但是，维基数据可以只执行一条命令，就返回答案（详见后文）。因为它提供结构化数据，可以机器查询。
但是，维基数据不是关系型数据库，而是 RDF 数据库；查询语言不是 SQL，而是 SPARQL。我粗浅地学了一点 RDF 和 SPARQL，本文就是学习笔记，演示如何使用维基数据查询信息。

一、RDF 的含义

大家都知道，关系型数据库是目前使用最广泛的数据库，将数据抽象成行和列的表格关系。

但是，现实世界不像表格，更像网络。各种事物通过错综复杂的关系，连接在一起，组成一张网。

网络在数学里面称为图（graph），每样事物就是图的一个节点，节点之间的关系就是将它们连在一起的那条边。如果数据库以图的方式储存数据，就称为图数据库。
RDF 就是图数据库的一种描述方式，或者说是一种使用协议。它以"三元组"（ triple）的方式，描述事物与事物之间的直接关系。
"三元组"是 RDF 的核心概念，指的是两个事物和它们之间的关系，在语法上呈现为"主语 + 谓语 + 宾语"。

  天空是蓝色的。

上面这句话，就是一个 RDF 三元组。"天空"（主语）和"蓝色"（宾语）是两种事物，它们通过颜色关系（谓语）连接在一起。

RDF 要求，谓语（即事物之间的关系）必须有明确定义。大家这样想，如果谓语是给定的，就可以用主语去查询宾语，或者用宾语去查询主语。比如，颜色关系是给定的，那么就可以向数据库进行下面的查询。

  查询一：天空 + 颜色 = ？
查询二：？ + 颜色 = 蓝色

任何组织和个人，都可以定义自己的谓语。RDF 要求每套谓语必须有一个明确的 URL，通过 URL 区分不同的谓语。RDF 官方定义了一套常用的谓语，URL 如下。

  https://www.w3.org/1999/02/22-rdf-syntax-ns

使用的时候，只要引用这个 URL，别人就知道用的是哪一套谓语。
URL 比较冗长，引用不方便。RDF 允许指定一个前缀，代表 URL 地址，比如上面那个官方谓语的 URL，通常用前缀rdf表示。

PREFIX rdf:

每个 URL 里面可以包含多种谓语，通过"前缀 : 谓语"的形式来区分。比如，官方定义了一个"type"谓语，说明主语的类型，就可以用rdf:type表示。

  小明是学生。

上面这句话，写成 RDF 三元组，就是下面的形式。

PREFIX rdf: 小明 rdf:type 学生.

由于rdf:type是一个常用谓语，RDF 允许把它简写成a，因此"小明是学生"又可以表示成小明 a 学生。

PREFIX rdf: 小明 a 学生 .

注意，每个 RDF 三元组的结尾是一个英文的句号，用来区分多个三元组。
二、 RDF 的语法示例

下面通过一个例子，演示 RDF 如何定义事物之间的关系。

  甲壳虫是一个乐队，成员有 John Lennon、Paul McCartney、Ringo Starr 和George Harrison。他们都是艺术家，1963年出版过一张专辑《Please Please Me》，里面包含《Love Me Do》这首单曲，长度125秒。

上面这段话，是自然语言的文本。我们先画出网络关系图。

然后，转成 RDF 三元组。首先，给出谓语的 URL，及其对应的前缀。

PREFIX : PREFIX rdf:

上面例子中，有两个 URL，表示使用两套谓语。其中一套是官方谓语，使用前缀rdf表示；另一套是自己定义的，前缀为空，表示这是默认的前缀。
"甲壳虫是一个乐队，成员有 John Lennon、Paul McCartney、Ringo Starr 和George Harrison。"这句话对应的三元组如下。

甲壳虫 rdf:type Band .甲壳虫 :name "甲壳虫" .甲壳虫 :member John_Lennon .甲壳虫 :member Paul_McCartney .甲壳虫 :member Ringo_Starr .甲壳虫 :member George_Harrison .

上面例子中，rdf:type、:name、:member都是谓语。由于这些三元组的主语相同，RDF 允许将它们合并。

甲壳虫 a 乐队 ;      :name "甲壳虫" ;      :member John_Lennon, Paul_McCartney, George_Harrison, Ringo_Starr .

上面的代码中，主语相同的三元组采用合并写法时，每个三元组之间使用分号隔开，最后一个三元组采用句号结尾。
其余部分对应的 RDF 三元组如下。

John_Lennon      a 艺术家 .Paul_McCartney   a 艺术家 .Ringo_Starr      a 艺术家 .George_Harrison  a 艺术家 .Please_Please_Me a 专辑 ;                 :name "Please Please Me" ;                 :date "1963" ;                 :artist "甲壳虫" ;                 :track Love_Me_Do .Love_Me_Do       a Song ;                 :name "Love Me Do" ;                 :length 125 .

三、SPARQL 查询语言

SPARQL 是 RDF 数据库的查询语言，跟 SQL 的语法很像。它的核心思想是，根据给定的谓语动词，从三元组提取符合条件的主语或宾语。
SPARQL 查询的语法如下。

SELECT WHERE {   }

上面代码中，是所要提取主语或宾语，是所要查询的三元组模式。
比如，查询数据库里面的所有专辑。

SELECT ?albumWHERE {   ?album rdf:type :Album .}

上面代码中，?album是一个变量，名字可以随便起，第一个字符必须是问号?。查询的条件是，?album这个变量是主语，根据rdf:type这个谓语，可以得到:Album这个宾语。这个宾语也有前缀，表示这是当前数据库定义的。
如果返回的是符合条件的所有记录，变量可以用星号*代替，并且WHERE这个关键词在SELECT查询里面可以省略，最后一个三元组的结尾句号也可以省略，所以上面的查询也可以写成下面的样子。

SELECT * { ?album a ：Album }

除了专辑名称，如果还要返回专辑的演唱者，可以增加一个变量?artist。

SELECT ?album ?artist{   ?album a :Album .   ?album :artist ?artist .}

上面代码中，?artist这个变量必须是?album（主语）和:artist（谓语）的宾语。
四、维基数据查询示例：山西省人口最多的地区

下面通过维基数据查询"山西省人口最多的是哪一个地区"，进一步学习 SPARQL 语法。
首先，进入维基数据网站，在页面顶部的搜索栏，搜索"山西"。或者，维基百科的"山西省"页面，左边栏也有跳转到维基数据的链接。

然后，进入山西省的页面。

这时，留意一下这个页面的 URL。

  https://www.wikidata.org/wiki/Q46913

上面 URL 最后结尾的Q46913，就是山西省这个条目在维基数据的编号（即主语），后面要用到。
接着，页面向下滚动，找到"contains administrative territorial entity"（所包含的行政实体）这个部分，它列出了山西省下辖的各个地区。

点击"contains administrative territorial entity"这个标题，进入它的页面，也留意一下 URL。

  https://www.wikidata.org/wiki/Property:P150

上面 URL 的最后部分P150，就是"所包含的行政实体"这个谓语动词的编号。
现在，就可以开始查询了。进入维基数据的在线查询页面 query.wikidata.org

在查询框里面，输入下面的 SPARQL 语句。

SELECT ?areaWHERE {   wd:Q46913  wdt:P150 ?area .}

上面代码要求返回变量?area，该变量必须满足主语"山西省"（wd:Q46913）和谓语"所包含的行政实体"（wdt:P150）。前缀wd表示这是维基数据的条目，而前缀wdt表示这是维基数据定义的谓语关系。
点击左侧边栏的三角形运行按钮，就可以在页面下方得到查询的结果。

从上图可以看到，返回的都是条目的编号。修改一下查询语句，增加一栏文字标签。

SELECT   ?area  ?areaLabelWHERE {   wd:Q46913  wdt:P150 ?area .   ?area rdfs:label ?areaLabel .   FILTER(LANGMATCHES(LANG(?areaLabel), "zh-CN")) }

上面代码中，增加了一个返回的变量?areaLabel，该变量是前一个变量?area的文字标签（满足谓语rdfs:label），同时增加了一个过滤语句FILTER，要求只返回中文标签。
运行这段查询，就可以看到每个地区的中文名字了。

接着，再增加一个人口变量?popTotal，返回每个地区的人口总数。

SELECT   ?area   ?areaLabel   ?popTotalWHERE {   wd:Q46913  wdt:P150 ?area .   ?area rdfs:label ?areaLabel .   FILTER(LANGMATCHES(LANG(?areaLabel), "zh-CN"))    ?area wdt:P1082 ?popTotal .}

运行这段代码，就可以看到人口总数了。

然后，增加一个排序子句order by，按照人口的倒序排序。

SELECT   ?area   ?areaLabel   ?popTotalWHERE {   wd:Q46913  wdt:P150 ?area .   ?area rdfs:label ?areaLabel .   FILTER(LANGMATCHES(LANG(?areaLabel), "zh-CN"))    ?area wdt:P1082 ?popTotal .}ORDER BY desc(?popTotal)

运行结果如下。

最后，加上一个limit 1子句，只返回第一条数据。

SELECT   ?area   ?areaLabel   ?popTotalWHERE {   wd:Q46913  wdt:P150 ?area .   ?area rdfs:label ?areaLabel .   FILTER(LANGMATCHES(LANG(?areaLabel), "zh-CN"))    ?area wdt:P1082 ?popTotal .}ORDER BY desc(?popTotal)limit 1

这样就得到了山西省人口最多的地区。
五、维基数据查询示例：程序员名录

下面再看一个例子，找出维基百科收入的所有程序员。

SELECT   ?programmer   ?programmerLabelWHERE {  ?programmer wdt:P106 wd:Q5482740 .  ?programmer rdfs:label ?programmerLabel .    FILTER (LANGMATCHES(LANG(?programmerLabel), "zh-CN"))}

上面代码中，Q5482740 是程序员，P106 是职业。
运行这个查询，就可以看到程序员名单了。

注意，这里只返回有中文名的程序员。如果数据库里面没有收入程序员的中文名，这里就不会返回。
然后，查询每个程序员的主要成就。

SELECT   ?programmer   ?programmerLabel   ?notableworkLabelWHERE {  ?programmer wdt:P106 wd:Q5482740 .  ?programmer rdfs:label ?programmerLabel .    FILTER (LANGMATCHES(LANG(?programmerLabel), "zh-CN"))  ?programmer wdt:P800 ?notablework .    ?notablework rdfs:label ?notableworkLabel .    FILTER(LANGMATCHES(LANG(?notableworkLabel), "zh-CN"))}

运行结果如下。

有的程序员有多项成就，比如，约翰·卡马克有"毁灭战士"和"雷神之锤"两项成就。这时可以用GROUP BY子句将它们合并在一起。

SELECT   ?programmer   ?programmerLabel   (GROUP_CONCAT(?notableworkLabel; separator="; ") AS ?works)WHERE {  ?programmer wdt:P106 wd:Q5482740 .  ?programmer rdfs:label ?programmerLabel .    FILTER(LANGMATCHES(LANG(?programmerLabel), "zh-CN"))  ?programmer wdt:P800 ?notablework .    ?notablework rdfs:label ?notableworkLabel .    FILTER (LANGMATCHES(LANG(?notableworkLabel), "zh-CN"))}GROUP BY ?programmer ?programmerLabel

上面代码中，GROUP_CONCAT函数用来把多个?notableworkLabel变量合并成新的一栏works。
运行结果如下。

上面图片中，"毁灭战士"和"雷神之锤"已经合并成一个单元格了。
接着，为每个人增加一个头像照片。

SELECT   ?programmer  ?programmerLabel   (GROUP_CONCAT(?notableworkLabel; separator="; ") AS ?works)   ?imageWHERE {  ?programmer wdt:P106 wd:Q5482740 .  ?programmer rdfs:label ?programmerLabel .    FILTER(LANGMATCHES ( LANG ( ?programmerLabel ), "zh-CN"))  ?programmer wdt:P800 ?notablework .    ?notablework rdfs:label ?notableworkLabel .    FILTER (LANGMATCHES ( LANG ( ?notableworkLabel ), "zh-CN"))  OPTIONAL {?programmer wdt:P18 ?image}}GROUP BY ?programmer ?programmerLabel ?image

上面代码中，返回值增加了一个照片变量?image。由于不是每个人都有照片，所以把照片要求放在OPTIONAL条件中，表示这一项是可选的。
得到查询结果后，把结果的表格视图（table）切换成图像视图（image grid）。

这时，照片就可以显示出来了。

最后，我们想知道他们是哪个地方的人，维基数据提供他们的出生地。

SELECT ?programmer   ?programmerLabel   (GROUP_CONCAT(?notableworkLabel; separator="; ") AS ?works)   ?image  ?coodWHERE {  ?programmer wdt:P106 wd:Q5482740 .  ?programmer rdfs:label ?programmerLabel .    FILTER(LANGMATCHES ( LANG ( ?programmerLabel ), "zh-CN"))  ?programmer wdt:P800 ?notablework .    ?notablework rdfs:label ?notableworkLabel .    FILTER (LANGMATCHES ( LANG ( ?notableworkLabel ), "zh-CN"))  OPTIONAL {?programmer wdt:P18 ?image}  OPTIONAL {    ?programmer wdt:P19 ?birthplace .    ?birthplace wdt:P625 ?cood .  }}GROUP BY ?programmer ?programmerLabel ?image ?cood

上面代码中，返回值增加了坐标变量cood，先查询程序员的出生地，然后查询出生地的地理坐标。
运行查询之后，默认的表格视图就会出现坐标。

把视图切换成地图（map）。

这时就能看到这些程序员在世界地图上的位置。

这篇教程就到这里为止，维基数据的查询方法还有很多，继续学习可以点击查询页头部的Examples按钮，看看官方提供的示例。

六、参考链接

• RDF, Wikipedia
  
• RDF Graph Data Model, Stardog
  
• Learn SPARQL, Stardog
  
• SPARQL Nuts & Bolts, Cambridge Semantics
  
• How to Extract Knowledge from Wikipedia, Data Science Style, Michael Li
  

（完）