我想解析XML Wikipedia转储并从中提取所有不同类型的表（不仅仅是信息框）
我使用wikixmlj来解析转储，但问题是解析维基百科转储中的不同类型的表（拆分单元格表，合并单元格表，带有颜色代码的表）。
我能够解析XML文章，直到找到标记为表的项目，但是在将表解析为对象时没有标准可以遵循，并且看起来有许多类型的表具有许多排列。
是否有关于要遵循的表类型的一些文档标准，以便我可以在我要创建的运行时对象中覆盖它，或者有什么方法可以解决这个问题？
注：
这些是帮助您了解我的意思的一些示例：
http://en.wikipedia.org/wiki/List_of_Presidents_of_the_United_States 请参阅Andrew Jackson行（某些行已合并并拆分）
http://en.wikipedia.org/wiki/List_of_pharaohs
http://en.wikipedia.org/wiki/Open_Handset_Alliance
http://en.wikipedia.org/wiki/Comparison_of_web_server_software 有时标题位于顶部和底部
答案 0 :(得分：0)
好的，如果您只对表格本身感兴趣，则需要执行以下操作
1 - 下载维基百科转储（所有转储）
2 - 将转储中的表提取到单独的文件或文件集中：
使用正则表达式\{\|[\s|\S]+?\n\|-?\}
3 - 使用库gwtwiki为转储构建模型，然后将表文件仅转换为html：
-add this class和this class到项目
- 添加gwtwiki和其他人的必要库
您现在拥有html文件，其中包含整个维基百科转储中出现的表格，并且这些表格采用html格式，因此很容易操作 （请注意，如果您想通过代码操作任何文件以将其写入unicode文件，因为表格中某些字符的编码）