如何从维基链接中提取数据？

百变鹏仔 1天前 #Python

文章标签链接

问题内容

我想从 mwparserfromhell 库返回的 wiki 链接中提取数据。例如，我想解析以下字符串：

[[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]].]]

如果我使用字符 | 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]]。

我使用正则表达式首先替换字符串中的所有链接，然后再拆分它。它可以工作（在本例中），但感觉不干净（参见下面的代码）。有没有更好的方法从这样的字符串中提取信息？

import rewiki_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 stringprefix = "[[File:"if (wiki_code.startswith(prefix)):    wiki_code = wiki_code[len(prefix):]# Remove ]] at the end of the stringsuffix = "]]"if (wiki_code.endswith(suffix)):    wiki_code = wiki_code[:-len(suffix)]# Replace links with theirlink_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("|"))

正确答案

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

这些返回为 wikicode对象。

由于实际文本始终是最后一个片段，因此首先需要使用以下正则表达式查找其他片段：

([^[]|]*|)+

+：1个或多个

从最后一个匹配的结束索引到字符串末尾的所有其他内容都是最后一个片段。

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

文章推荐

如何从维基链接中提取数据？

正确答案

Python程序示例，演示字符串插值

如何用Python编写人工神经网络算法？

如何用Python编写求解排列组合的算法？

如何用Python编写求解最小公倍数的算法？

如何使用Python实现贪心算法？