Python regex للعثور على محتويات روابط ترميز MediaWiki
سؤال
إذا كان لدي ملف XML يحتوي على أشياء مثل علامة mediawiki التالية:
"... تم جمعه في القرن الثاني عشر ، والذي كان [الإسكندر العظيم] هو البطل ، والذي كان يمثله ، مثل البريطانيين [[الملك آرثر | آرثر]]
ما هي الحجج المناسبة لشيء مثل:
re.findall([[__?__]], article_entry)
أتعثر قليلاً في الهروب من الأقواس المربعة المزدوجة، والحصول على الرابط المناسب للنص مثل: [[Alexander of Paris|poet named Alexander]]
المحلول
وهنا مثال
import re
pattern = re.compile(r"\[\[([\w \|]+)\]\]")
text = "blah blah [[Alexander of Paris|poet named Alexander]] bldfkas"
results = pattern.findall(text)
output = []
for link in results:
output.append(link.split("|")[0])
# outputs ['Alexander of Paris']
والإصدار 2، يضع أكثر في التعبير المعتاد، ولكن نتيجة لذلك، بتغيير الإخراج:
import re
pattern = re.compile(r"\[\[([\w ]+)(\|[\w ]+)?\]\]")
text = "[[a|b]] fdkjf [[c|d]] fjdsj [[efg]]"
results = pattern.findall(text)
# outputs [('a', '|b'), ('c', '|d'), ('efg', '')]
print [link[0] for link in results]
# outputs ['a', 'c', 'efg']
والإصدار 3، إذا كنت ترغب فقط الارتباط دون عنوان.
pattern = re.compile(r"\[\[([\w ]+)(?:\|[\w ]+)?\]\]")
text = "[[a|b]] fdkjf [[c|d]] fjdsj [[efg]]"
results = pattern.findall(text)
# outputs ['a', 'c', 'efg']
نصائح أخرى
التعبير العادي: \w+( \w+)+(?=]])
مدخل
[[إسكندر باريس|شاعر اسمه ألكسندر]]
انتاج
شاعر اسمه ألكسندر
مدخل
[[إسكندر باريس]]
انتاج
ألكسندر باريس
import re
pattern = re.compile(r"\[\[([\w ]+)(?:\||\]\])")
text = "of which [[Alexander the Great]] was somewhat like [[King Arthur|Arthur]]"
results = pattern.findall(text)
print results
هل تعطي الناتج
["Alexander the Great", "King Arthur"]
إذا كنت تحاول الحصول على جميع الروابط من صفحة، وبطبيعة الحال انه من الاسهل بكثير لاستخدام API ميدياويكي إذا كان ذلك ممكنا، على سبيل المثال http://en.wikipedia.org/ ث / api.php؟ عمل = الاستعلام ودعامة = الروابط والعناوين = Stack_Overflow_ (الموقع) .
لاحظ أن كلا هذه الأساليب يغيب الروابط جزءا لا يتجزأ من القوالب.