[mediawiki]オフラインでwikipediaを構築したいですが、mwdumperが動きません。

Question

お世話になります。

独力での解決が困難な問題に直面したため、皆様方のお知恵をお借りしたいと思い、投稿させていただきました。

オフラインで英語版wikipediaを構築したいと思い、以下の設定を行いました。

１：centos7にnginx、php、mysql、mediawikiを入れて、mediawikiをブラウザからインストールできるところまで設定しました。

２：mysqlにログインして、パスワードをnyan0120と設定し、"create database wikidb"を実行しました。

３：tables.sqlをwikidbで実行して、wikidb内にテーブルを作成しました。

４： mwdumperを"https://dumps.wikimedia.org/tools/mwdumper.jar"より落とし/usr/share/nginx/html/に移動しました

５：enwiki-pages-articles.xml.bz2をwikipediaのdumpから落とし、/usr/share/nginx/html/に移動しました。

"cd /usr/share/nginx/html/"を実行して、以下のコードを実行したところ、

[root@localhost html]# java -jar mwdumper.jar --format=sql:1.5 enwiki-pages-articles.xml.bz2 |
>     mysql -u root -pnyan0120 wikidb
Warning: Using a password on the command line interface can be insecure.
Exception in thread "main" java.io.IOException: XML document structures must start and end within the same entity.
    at org.mediawiki.importer.XmlDumpReader.readDump(XmlDumpReader.java:92)
    at org.mediawiki.dumper.Dumper.main(Dumper.java:142)
Caused by: org.xml.sax.SAXParseException; lineNumber: 46; columnNumber: 1; XML document structures must start and end within the same entity.
    at org.apache.xerces.util.ErrorHandlerWrapper.createSAXParseException(Unknown Source)
    at org.apache.xerces.util.ErrorHandlerWrapper.fatalError(Unknown Source)
    at org.apache.xerces.impl.XMLErrorReporter.reportError(Unknown Source)
    at org.apache.xerces.impl.XMLErrorReporter.reportError(Unknown Source)
    at org.apache.xerces.impl.XMLScanner.reportFatalError(Unknown Source)
    at org.apache.xerces.impl.XMLDocumentFragmentScannerImpl.endEntity(Unknown Source)
    at org.apache.xerces.impl.XMLDocumentScannerImpl.endEntity(Unknown Source)
    at org.apache.xerces.impl.XMLEntityManager.endEntity(Unknown Source)
    at org.apache.xerces.impl.XMLEntityScanner.load(Unknown Source)
    at org.apache.xerces.impl.XMLEntityScanner.scanContent(Unknown Source)
    at org.apache.xerces.impl.XMLDocumentFragmentScannerImpl.scanContent(Unknown Source)
    at org.apache.xerces.impl.XMLDocumentFragmentScannerImpl$FragmentContentDispatcher.dispatch(Unknown Source)
    at org.apache.xerces.impl.XMLDocumentFragmentScannerImpl.scanDocument(Unknown Source)
    at org.apache.xerces.parsers.XML11Configuration.parse(Unknown Source)
    at org.apache.xerces.parsers.XML11Configuration.parse(Unknown Source)
    at org.apache.xerces.parsers.XMLParser.parse(Unknown Source)
    at org.apache.xerces.parsers.AbstractSAXParser.parse(Unknown Source)
    at org.apache.xerces.jaxp.SAXParserImpl$JAXPSAXParser.parse(Unknown Source)
    at javax.xml.parsers.SAXParser.parse(SAXParser.java:392)
    at javax.xml.parsers.SAXParser.parse(SAXParser.java:195)
    at org.mediawiki.importer.XmlDumpReader.readDump(XmlDumpReader.java:88)
    ... 1 more

ノータイムで上記のエラーがでました。mwdumperは動かず、1件もインポートされません。

自分でも調べ、考えられる原因（mysqlのメモリエラーや文字コードの設定など）の見直しを行いましたが、原因が全く想像がつきません。

どなたか考えられる原因をご教示いただけたらと思います。

よろしくお願いします。

Comments

[popobot]

エラーの内容はXMLがパースできないというものですね... 参照元のサイト等あれば記載してください。javaのバージョンは？ データの先頭を見てみては？ $ bzip2 -d enwiki-pages-articles.xml.bz2 | head - 100

Answer 1

icchii様、ご助言ありがとうございます。
この4日間、centosの再インストールやmediawikiの再構築など様々な原因を探ってみましたが、xmlファイルがダウンロード時に破損していたのが原因のようでした。
大変お騒がせしました。
ご回答してくださったicchii様には改めてお礼申し上げます。本当にありがとうございました。