Necesita un simple expresiones regulares aquí

Question

Finalmente estoy analizando el texto wiki de wikipedias. Tengo el siguiente tipo de texto aquí:

{{Airport-list|the Solomon Islands}}

* '''AGAF''' (AFT) – [[Afutara Airport]] – [[Afutara]]
* '''AGAR''' (RNA) – [[Ulawa Airport]] – [[Arona]], [[Ulawa Island]]
* '''AGAT''' (ATD) – [[Uru Harbour]] – [[Atoifi]], [[Malaita]]
* '''AGBA''' – [[Barakoma Airport]] – [[Barakoma]]

Necesito recuperar todas las líneas en una sola matriz que comienza con el patrón

* '''

Creo que una expresión regular se llamaría al orden aquí, pero realmente estoy desordenado en mi parte de expresiones regulares.

Además, en otro ejemplo, tengo el siguiente texto:

{{otheruses}}
{{Infobox Settlement
|official_name          = Doha
|native_name        = {{rtl-lang|ar|الدوحة}} ''ad-Dawḥa''
|image_skyline          = Doha Sheraton.jpg
|imagesize              = 
|image_caption          = West Bay at night
|image_map              = QA-01.svg
|mapsize                = 100px
|map_caption            = Location of the municipality of Doha within [[Qatar]].
|pushpin_map            =
|pushpin_label_position = 
|pushpin_mapsize        = 
|subdivision_type       = [[Countries of the world|Country]]
|subdivision_name       = [[Qatar]]
|subdivision_type1      = [[Municipalities of Qatar|Municipality]]
|subdivision_name1      = [[Ad Dawhah]]
|established_title      = Established
|established_date       = 1850
|area_total_km2         = 132
|area_total_sq_mi       = 51
|area_land_km2          = 
|area_land_sq_mi        = 
|area_water_km2         = 
|area_water_sq_mi       = 
|area_water_percent     = 
|area_urban_km2         = 
|area_urban_sq_mi       =
|area_metro_km2         = 
|area_metro_sq_mi       = 
|population_as_of       = 2004
|population_note        = 
|population_footnotes = <ref name=poptotal>[http://www.planning.gov.qa/Qatar-Census-2004/Flash/introduction.html Qatar 2004 Census]</ref>
|population_total       = 339847
|population_metro       = 998651
|population_density_km2 = 2574
|population_density_sq_mi = 6690
|latd=25 |latm=17 | lats=12 |latNS=N 
|longd=51|longm=32 | longs=0| longEW=E 
|coordinates_display    = inline,title
|coordinates_type       = type:city_region:QA
|timezone               = [[Arab Standard Time|AST]]
|utc_offset             = +3
|website                = 
|footnotes              = 
}} <!-- Infobox ends -->
'''Doha''' ({{lang-ar|الدوحة}}, ''{{transl|ar|ad-Dawḥa}}'' or ''{{unicode|ad-Dōḥa}}'') is the [[capital city]] of [[Qatar]].  It has a population of 400,051 according to the 2005 census,<ref name="autogenerated1">[http://www.hotelrentalgroup.com/Qatar/Sheraton%20Doha%20Hotel%20&%20Resort.htm Sheraton Doha Hotel & Resort | Hotel discount bookings in Qatar<!-- Bot generated title -->]</ref> and is located in the [[Ad Dawhah]] municipality on the [[Persian Gulf]].  Doha is Qatar's largest city, with over 80% of the nation's population residing in Doha or its surrounding [[suburbs]], and is also the economic center of the country. 
It is also the seat of government of Qatar, which is ruled by [[Sheikh Hamad bin Khalifa Al Thani]]–the current ruling Emir of Qatar. 

Necesito extraer el infobox aquí. El cuadro de información es e incluye todo el texto entre la primera aparición de

{{Infobox Settlement

y termina con la primera aparición de

}} <!-- Infobox ends -->

Estoy totalmente perdido cuando se trata de expresiones regulares y podría usar la ayuda aquí. Estoy usando php.

---

EDITAR! AYUDA!

He estado luchando durante 40 horas y no puedo hacer que la estúpida expresión regular funcione correctamente :( hasta ahora solo tengo esto:

{{Infobox [^ \ b (\ r | \ n)}} (\ r | \ n) \ b] * [\ b (\ r | \ n)}} (\ r | \ n) ( \ r | \ n) \ b]

Pero no funciona. Quiero que lea todos los datos de la cadena entre {{infobox y termina con un \ n}} \ n

Estoy usando Php y no puedo hacer que esto funcione :( Solo devuelve la primera aparición de}} ignorando el hecho de que quiero que se recupere}} con el avance de línea anterior. Ayuda, por favor, antes de que desperdicie más mi cordura en esto: '(

Answer 1

  

Necesito extraer el infobox ...

Intenta esto, esta vez asegurándote de que el modo dotall está habilitado :

\{\{Infobox.*?(?=\}\} <!-- Infobox ends -->)

Y de nuevo, explicación para eso:

(?xs)    # x=comment mode, s=dotall mode
\{\{     # two opening braces (special char, so needs escaping here.)
Infobox  # literal text
.*?      # any char (including newlines), non-greedily match zero or more times.
(?=      # begin positive lookahead
\}\}     # two closing braces
<!-- Infobox ends --> # literal text
)        # end positive lookahead

Esto coincidirá hasta (pero excluyendo) la expresión final, puede eliminar el propio lookahead e incluir solo el contenido para que incluya el final, si es necesario.

Actualización, basada en comentarios para responder:

\{\{Infobox.*?(?=\n\}\}\n)

Igual que el anterior, pero Lookahead busca dos llaves en su propia línea.

Para permitir opcionalmente el comentario también, use:

\{\{Infobox.*?(?=\n\}\}(?: <!-- Infobox ends-->)?\n)

Answer 2

MediaWiki es de código abierto. Eche un vistazo a su código fuente ...; -)

Answer 3

Creo que la mejor manera es combinar todas las líneas en una sola cadena, especialmente para el cuadro de información.

Entonces algo a lo largo de las líneas de

$ reg = " \ n (\ * '' '[^ \ n] *) " ;;

para la primera parte (todo después de una nueva línea que comienza con * '' 'y no es una nueva línea).

Y para la segunda parte no estoy seguro en este momento, pero este es un buen lugar para jugar un poco: http://www.solmetra.com/scripts/regex/index.php

Y aquí hay una breve referencia para la sintaxis de expresiones regulares: http://www.regular-expressions.info/reference.html

Answer 4

  

Necesito recuperar todas las líneas en una sola matriz que comienza con el patrón * '' '

Habilite el modo multilínea y asegúrese de que el modo dotall esté deshabilitado , y use esto:

^\* '''.*$

Esa expresión diseccionada es:

(?xm-s) # Flags:
        # x enables comment mode (spaces ignore, hashes start comments)
        # m enables multiline mode (^$ match lines)
        # -s disables dotall (. matches newline)
^       # start of line
\*      # literal asterisk
[ ]     # literal space (needs braces in comment mode, but not otherwise)
'''     # three literal apostrophes
.*      # any character (excluding newline), greedily matched zero or many times.
$       # end of line