Precisa de um simples expressões regulares aqui

Question

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: '(

Answer 1

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)

Answer 2

MediaWiki é open-source. Ter um olhar para a sua código fonte ...; -)

Answer 3

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

Answer 4

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