使用MediaWiki从Wikia页面中提取文本但是它又回到了一个大混乱状态，我是否有更好的方法来从每个部分提取文本？

Question

我正在开发一个Android应用程序，它从Wikia页面提取信息并在应用程序中显示。我目前正在拉动所有类别进行导航并将我的应用程序设置为在WebView中显示页面，但我想只是拉动信息并格式化自己，而不是通过传递给WebView来减少它。

我用来获取文字的内容是：http://scottlandminecraft.wikia.com/api.php?format=xml&action=query&titles=ZackScott&prop=revisions&rvprop=content

我的问题是文字回来了一个大块，有没有人有任何想法如何让这个更格式化，所以我可以从标签解析或我是在试图找到它的时间？如果是这样，最好找到一种方法来解析我需要的文本，方法是从文本中的标识符开始，或者有更好的方法吗？

感谢您的投入和时间。

Answer 1

如果您不想自己解析wiki标记，最简单的方法是检索已解析的HTML版本的页面，然后使用HTML解析器（如jsoup）处理它，如Hasham所推荐的那样）。

除了抓取普通的wiki用户界面（它将为您提供导航皮肤中包含的页面HTML）之外，还有两种方法可以获取MediaWiki页面的HTML文本：

1. 使用带有action=parse的API，它将返回包含在MediaWiki API XML（或JSON / YAML /等）响应中的页面HTML，如下所示：

   • http://scottlandminecraft.wikia.com/api.php?format=xml&action=parse&page=ZackScott
     
     

2. 或使用带有action=render的主index.php脚本，该脚本将返回 页面HTML：

   • http://scottlandminecraft.wikia.com/index.php?action=render&title=ZackScott

聚苯乙烯。由于您在问题中提到了部分，因此请注意，action=parse API模块可以使用prop=sections（甚至prop=sections|text）返回有关页面上各部分的信息。有关示例，请参阅此API查询：

• http://scottlandminecraft.wikia.com/api.php?format=xml&action=parse&page=ZackScott&prop=sections

Answer 2

使用wiki语法格式化内容。您可以使用名为 Bliki 的Java引擎在HTML中呈现它。

http://code.google.com/p/gwtwiki/

http://code.google.com/p/gwtwiki/wiki/Mediawiki2HTML

Bliki不适合Android。你需要它来编译它。似乎可以做到：

https://groups.google.com/forum/?fromgroups=#!topic/bliki/LNsmnEEZEV4

Answer 3

如果要解析html文档，则可以选择Jsoup。