了解维基百科标题转储格式

Question

我从维基百科下载了最新的文章标题列表。它似乎包含某种标记，但我似乎无法找到任何文档来帮助我理解＆＃34;如何＆＃34;或＆＃34;什么＆＃34;可以被剥夺。该文件是＆＃34; enwiki-latest-all-titles.gz＆＃34;可以在这里下载：

http://dumps.wikimedia.org/enwiki/latest/

根据我自己对文本文件的观察结果，我可以天真地删除所有标点符号等，但最好有更多有关数据的信息，以便能够以有意义的方式处理它。

Answer 1

这不是标记，它是page_title的列表。空格转换为下划线等。