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):
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。
答案 0 :(得分: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
答案 1 :(得分:0)