Precisa de um simples expressões regulares aqui
Pergunta
Finalmente estou analisando através de texto wikipedias wiki. Eu tenho o seguinte tipo de texto aqui:
{{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]]
Eu preciso para recuperar todas as linhas em uma única matriz que começam com o padrão
* '''
Eu acho que uma expressão regular seria chamado à ordem aqui, mas eu estou realmente confuso no meu expressões regulares parte embora.
Além disso, em outro exemplo, eu tenho o seguinte 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.
Eu preciso para extrair o infobox aqui. O infobox é e inclui todo o texto entre a primeira ocorrência de
{{Infobox Settlement
e termina com a primeira ocorrência de
}} <!-- Infobox ends -->
Estou totalmente perdido quando se trata de expressões regulares e eu poderia usar ajuda aqui. Eu estou usando PHP.
EDIT! AJUDA!
Eu estive lutando durante 40 horas e eu não posso obter a expressão regular estúpido para a direita trabalho :( até agora eu só tenho este:
{{Infobox [^ \ b (\ r | \ n)}} (\ r | \ n) \ b] * [\ b (\ r | \ n)}} (\ r | \ n) ( \ r | \ n) \ b]
Mas não o seu trabalho eu quero que ele leia todos os dados de cadeia entre {{infobox e termina com um \ n}} \ n
Eu estou usando PHP e não posso chegar a este trabalho :( Ele só retorna a primeira ocorrência de}} ignorando o fato de que eu quero para recuperar}} com anterior de avanço de linha. Ajudar por favor antes que eu perca mais da minha sanidade sobre isso: '(
Solução
Eu preciso para extrair o infobox ...
Tente isto, este tempo certificando-se de modo dotall é habilitado :
\{\{Infobox.*?(?=\}\} <!-- Infobox ends -->)
E mais uma vez, a explicação para isso:
(?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
Isso irá corresponder a até (mas excluindo) a expressão terminando -. Você pode remover o próprio lookahead e incluem apenas o conteúdo para tê-lo incluem o final, se necessário
Update, com base no comentário à resposta:
\{\{Infobox.*?(?=\n\}\}\n)
O mesmo que acima, mas a aparência de verificação à frente de duas cintas em sua própria linha.
Para permitir opcionalmente o comentário também, use:
\{\{Infobox.*?(?=\n\}\}(?: <!-- Infobox ends-->)?\n)
Outras dicas
MediaWiki é open-source. Ter um olhar para a sua código fonte ...; -)
Eu acho que a melhor maneira é juntar todas as linhas em uma corda, especialmente para o infobox.
Então, algo ao longo das linhas
$ reg = "\ n (\ * '' '[^ \ n] *)";
para a primeira parte (tudo após uma nova linha que começa com * ''' e não é uma nova linha).
E para a segunda parte eu não sou quire certeza agora, mas este é um bom lugar para brincar um pouco: http://www.solmetra.com/scripts/regex/index.php
E aqui está uma pequena referência para sintaxe de expressão regular: http://www.regular-expressions.info/reference.html
Eu preciso para recuperar todas as linhas em uma única matriz que começam com o
* '''
padrão
Ativar o modo de várias linhas e garantir dotall modo é desativada , e usar este:
^\* '''.*$
Essa expressão dissecado é:
(?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