如何获得维基百科“干净”的内容？

Question

我正在使用Mediawiki api来获取维基百科页面中的内容。 我编写了一个生成下一个查询的代码（例如）：

http://en.wikipedia.org/w/api.php?action=query&prop=revisions&rvprop=content&rvsection=0&titles=hawaii

仅检索来自Wikipdia页面的关于夏威夷的前导段落。

问题是你可能会注意到有很多不相关的子串，例如：

"[[Molokai|Moloka{{okina}}i]], [[Lanai|Lāna{{okina}}i]], [[Kahoolawe|Kaho{{okina}}olawe]], [[Maui]] and the [[Hawaii (island)|"。

所有这些bar [[]]都不相关，我想知道是否有一种方法可以从这些页面中仅提取“干净”的内容？

提前致谢。

Answer 1

您可以使用此查询从维基百科中获取干净的HTML文本：

https://en.wikipedia.org/w/api.php?action=query&prop=extracts&titles=hawaii

如果您只想要一个没有HTML的纯文本，请尝试以下方法：

https://en.wikipedia.org/w/api.php?action=query&prop=extracts&titles=hawaii&explaintext

Answer 2

请试试这个：

$ relevant = preg_replace（'/[[.*?]]/'，''，$ string）;

编辑：刚刚找到this - 希望它有用