Comment extraire des données de liens wiki ?

Contenu de la question

Je souhaite extraire des données du lien wiki renvoyé par la bibliothèque mwparserfromhell. Par exemple, je souhaite analyser la chaîne suivante : 

[[file:warszawa, ul. freta 16 20170516 002.jpg|thumb|upright=1.18|[[maria skłodowska-curie museum|birthplace]] of marie curie, at 16 freta street, in [[warsaw]], [[poland]].]]

Si j'utilise le personnage | 分割字符串，则它不起作用，因为图像描述中也有一个使用 | 的链接： [[玛丽亚·斯克沃多夫斯卡-居里博物馆|出生地]].

J'ai utilisé regex pour d'abord remplacer tous les liens de la chaîne, puis la diviser. Cela fonctionne (dans ce cas), mais ne semble pas propre (voir le code ci-dessous). Existe-t-il une meilleure façon d’extraire des informations d’une chaîne comme celle-ci ?

attribut

import re

wiki_code = "[[File:Warszawa, ul. Freta 16 20170516 002.jpg|thumb|upright=1.18|[[Maria Skłodowska-Curie Museum|Birthplace]] of Marie Curie, at 16 Freta Street, in [[Warsaw]], [[Poland]].]]"

# Remove [[File: at the begining of the string
prefix = "[[File:"
if (wiki_code.startswith(prefix)):
    wiki_code = wiki_code[len(prefix):]

# Remove ]] at the end of the string
suffix = "]]"
if (wiki_code.endswith(suffix)):
    wiki_code = wiki_code[:-len(suffix)]

# Replace links with their
link_pattern = re.compile(r'\[\[.*?\]\]')
matches = link_pattern.findall(wiki_code)
for match in matches:
    content = match[2:-2]
    arr = content.split("|")
    label = arr[-1]
    wiki_code = wiki_code.replace(match, label)

print(wiki_code.split("|"))

Réponse correcte

.filter_wikilinks() 返回的链接是 wikilink 类，该类具有 title 和 text.

• title 返回链接的标题：file:warszawa, ul。弗雷塔16 20170516 002.jpg
• text 返回链接的其余部分：thumb|upright=1.18|[[maria skłodowska-curie museum|birthplace]] 玛丽·居里 (marie curie)，地址：16 freta street，[[华沙]]，[[波兰]]。

Ceux-ci sont renvoyés sous forme d'objets wikicode.

Puisque le texte réel est toujours le dernier fragment, vous devez d'abord trouver les autres fragments en utilisant l'expression régulière suivante :

([^[]|]*|)+

• ( ) : groupe
  • [^[]|]* : 0 caractères ou plus qui ne sont pas des crochets ou des barres verticales
  • | : pipeline de texte
• + : 1 ou plus

Tout le reste, depuis le dernier index de fin correspondant jusqu'à la fin de la chaîne, constitue le dernier fragment.

>>> import mwparserfromhell
>>> import re
>>> wikitext = mwparserfromhell.parse('[[File:Warszawa, ul. Freta 16 20170516 002.jpg|thumb|upright=1.18|[[Maria Skłodowska-Curie Museum|Birthplace]] of Marie Curie, at 16 Freta Street, in [[Warsaw]], [[Poland]].]]')
>>> image_link = wikitext.filter_wikilinks()[0]
>>> image_link
'[[File:Warszawa, ul. Freta 16 20170516 002.jpg|thumb|upright=1.18|[[Maria Skłodowska-Curie Museum|Birthplace]] of Marie Curie, at 16 Freta Street, in [[Warsaw]], [[Poland]].]]'
>>> image_link.title
'File:Warszawa, ul. Freta 16 20170516 002.jpg'
>>> text = str(image_link.text)
>>> text
'thumb|upright=1.18|[[Maria Skłodowska-Curie Museum|Birthplace]] of Marie Curie, at 16 Freta Street, in [[Warsaw]], [[Poland]].'
>>> other_fragments = re.match(r'([^\[\]|]*\|)+', text)
>>> other_fragments
<re.Match object; span=(0, 19), match='thumb|upright=1.18|'>
>>> other_fragments.span(0)[1]
19
>>> text[19:]
'[[Maria Skłodowska-Curie Museum|Birthplace]] of Marie Curie, at 16 Freta Street, in [[Warsaw]], [[Poland]].'

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!