用于查找MediaWiki标记链接内容的Python正则表达式

Question

如果我有一些xml包含以下mediawiki标记：

  

＆QUOT; ...收集于12世纪，其中[[亚历山大大帝]]是   英雄，他代表的，   有点像英国[[国王   亚瑟|亚瑟]] QUOT;

什么是适当的论据，如：

re.findall（[[__？__]]，article_entry）

我有点躲过双方括号，并获得文本的正确链接，如： [[巴黎亚历山大|诗人亚历山大]]

Answer 1

这是一个例子

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']

版本2，将更多内容放入正则表达式中，但结果会更改输出：

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']

版本3，如果您只想要没有标题的链接。

pattern = re.compile(r"\[\[([\w ]+)(?:\|[\w ]+)?\]\]")
text = "[[a|b]] fdkjf [[c|d]] fjdsj [[efg]]"
results = pattern.findall(text)

# outputs ['a', 'c', 'efg']

Answer 2

RegExp： \ w +（\ w +）+（？=]]）

<强>输入

[[巴黎亚历山大|诗人亚历山大]]

<强>输出

诗人亚历山大

<强>输入

[[巴黎亚历山大]]

<强>输出

巴黎亚历山大

Answer 3

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

会给出输出

["Alexander the Great", "King Arthur"]

Answer 4

如果您尝试从页面获取所有链接，当然，如果可能的话，使用MediaWiki API要容易得多，例如： http://en.wikipedia.org/瓦特/ api.php动作=查询＆安培;丙=链接和安培;标题= Stack_Overflow_（网站）

请注意，这两种方法都会错过模板中嵌入的链接。