Здесь нужны простые регулярные выражения
Вопрос
Я наконец разбираю вики-текст Википедии.У меня есть следующий тип текста:
{{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]]
Мне нужно получить все строки в одном массиве, которые начинаются с шаблона
* '''
Я думаю, что здесь можно было бы вызвать регулярное выражение, но я действительно запутался в своей части регулярных выражений.
Плюс в другом примере у меня есть следующий текст:
{{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.
Мне нужно извлечь информационное окно здесь.Информационное поле включает в себя весь текст между первым появлением
{{Infobox Settlement
и заканчивается первым появлением
}} <!-- Infobox ends -->
Я совершенно растерялся, когда дело доходит до регулярных выражений, и мне здесь не помешала бы помощь.Я использую PHP.
РЕДАКТИРОВАТЬ!ПОМОЩЬ!
Я боролся уже 40 часов и не могу заставить это дурацкое регулярное выражение работать правильно :( пока у меня есть только это:
{{Информационный блок[^\b( | )}}( | )\b]*[\b( | )}}( | )( | )\b]
Но это не работает, я хочу, чтобы он прочитал все строковые данные между {{информационным полем и заканчивался }}
Я использую Php и не могу заставить это работать :( Он просто возвращает первое вхождение }}, игнорируя тот факт, что я хочу получить }} с предыдущим переводом строки.Помогите, пожалуйста, прежде чем я потрачу на это еще больше здравого смысла :'(
Решение
Мне нужно извлечь инфобокс...
Попробуйте это, на этот раз убедившись, что режим dotall включен. включено:
\{\{Infobox.*?(?=\}\} <!-- Infobox ends -->)
И снова объяснение этому:
(?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
Это будет соответствовать (но исключая) конечное выражение - вы можете удалить сам просмотр вперед и включить только содержимое, чтобы оно включало окончание, если это необходимо.
Обновление на основе комментария для ответа:
\{\{Infobox.*?(?=\n\}\}\n)
То же, что и выше, но просмотр вперед ищет две скобки на отдельной строке.
Чтобы дополнительно разрешить комментарий, используйте:
\{\{Infobox.*?(?=\n\}\}(?: <!-- Infobox ends-->)?\n)
Другие советы
МедиаВики имеет открытый исходный код.Взгляните на их исходный код ... ;-)
Я думаю, что лучший способ — объединить все строки в одну, особенно для информационного окна.
Потом что-то вроде
$reg = " (\* '''[^ ]*)";
для первой части (все, что после новой строки начинается с * ''' и не является новой строкой).
Что касается второй части, я сейчас не совсем уверен, но это хорошее место, чтобы немного поиграть:http://www.solmetra.com/scripts/regex/index.php
Вот краткий справочник по синтаксису регулярных выражений:http://www.regular-expressions.info/reference.html
Мне нужно получить все строки в одном массиве, которые начинаются с шаблона
* '''
Включите многострочный режим и убедитесь, что режим dotall неполноценный, и используйте это:
^\* '''.*$
Это выражение в разобранном виде:
(?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