Question

我正试图从维基百科文章中获取介绍，将其纳入报告。例如，对于本文： http://en.wikipedia.org/wiki/MAP3K8

我想得到：

丝裂原活化蛋白激酶激酶激酶8是一种酶在人类中由MAP3K8基因编码。鉴定了该基因通过其在细胞中的致癌转化活性。编码蛋白质是丝氨酸/苏氨酸蛋白激酶家族的成员该激酶可以激活MAP激酶和JNK激酶途径。该激酶显示激活IkappaB激酶，从而诱导激酶核生产NF-κB。还发现了这种激酶在T淋巴细胞中促进TNF-α和IL-2的产生激活。大鼠中类似基因的研究表明直接该激酶参与NF-κB1，p105的蛋白水解（NFKB1）。该基因也可以利用下游框内翻译起始密码子，从而产生含有a的同种型较短的N末端。已显示较短的同种型显示转化活动较弱。在小鼠中，该基因被称为Tpl2 并且它是一种肿瘤抑制基因，其缺失有助于癌症的发展和进展。

我正在使用此网址获取该网页：http://en.wikipedia.org/wiki/Special:Export/MAP3K8

我将此帖子的代码转换为http://forums.asp.net/t/1066507.aspx/1到C＃：

   HttpWebRequest request  =(HttpWebRequest)HttpWebRequest.Create("http://  en.wikipedia.org/wiki/Special:Export/MAP3K8");
   request.Accept = "text/hmtl";
   request.Credentials = System.Net.CredentialCache.DefaultCredentials;
   HttpWebResponse response = (HttpWebResponse) request.GetResponse();
   Stream responseStream = response.GetResponseStream();
   XmlTextReader reader = new XmlTextReader(responseStream);
   String NS = "http://www.mediawiki.org/xml/export-0.8/";
   XPathDocument doc = new XPathDocument(reader);
   reader.Close();
   response.Close();
   XPathNavigator myxpathnav = doc.CreateNavigator();
   XPathNodeIterator nodesText = myxpathnav.SelectDescendants("text", NS, false);
   while (nodesText.MoveNext())
   {
       ViewBag.Message += nodesText.Current.InnerXml;
   }
   ViewBag.Summary = getSummary(ViewBag.Message);
   return View();

getSummary方法，根据PBB模板：http://en.wikipedia.org/wiki/Template:PBB_Controls

我只想获取蛋白质的信息，如果是这样的话。

   public string getSummary(string page)
    {
        string res = "";
        //The introduction is in 2 parts: 
        //1st between "{{PBB|geneid=1326}}" and &lt;!-- The PBB_Summary (.)* --&gt;
        string intro = "";
        //2nd between "summary_text =" and "=="
        //http://en.wik    ipedia.org/wiki/Special:Export/MAP3K8 is used as example

        string summary = "";
        try
        {
            intro = page.Split(new string[] { "}}" }, StringSplitOptions.None)[1];

            intro = intro.Split(new string[] { "&lt;!--" }, StringSplitOptions.None)[0];
            intro = deleteMediaWikiTag(intro);
        }
        catch(Exception)
        {
            intro = "";
        }
        try
        {
            summary += page.Split(new string[] { "summary_text =" }, StringSplitOptions.None)[1];
            summary = summary.Split(new string[] { "==" }, StringSplitOptions.None)[0];
            summary = deleteMediaWikiTag(summary);
        }
        catch(Exception)
        {
            summary = "";
        }
        res = intro + "\n\n" + summary;
        return res;
    }

   public string deleteMediaWikiTag(string text)
    {
        string res = "";
        // this is working well
        Regex reg = new Regex("{{.*(}})*|{{|}}|'''|&lt;!--.*--&gt;|]]|([[]){2}");
        res = reg.Replace(text,"");
        //I don't understand what is wrong with this regex
        Regex regprime = new Regex("&lt(.)*(&gt;){1}");
        res = regprime.Replace(res, "PRIME");
        return res;
    }

我的问题在于deleteMediaWikiTag(summary)的执行，因为我正在丢失摘要部分的结尾：

在小鼠体内，这种基因被称为Tpl2，它是一种肿瘤抑制基因，其缺失有助于癌症的发展和进展。

在由正则表达式处理之前，本文看起来像：

   &lt;ref name=&quot;entrez&quot; /&gt; 
   In mice, this gene is known as Tpl2 and it is a tumor suppressor gene whose absence contributes to the development and progression of cancer.
   &lt;ref&gt;{{cite web|last=DeCicco-Skinner|first=Kathleen|title=Loss of tumor progression locus 2 (tpl2) enhances tumorigenesis and inflammation in two-stage skin carcinogenesis|url=http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3460638/}}&lt;/ref&gt;

所以根据我的正则表达式，我期待类似的东西：（PRIME用于突出显示匹配，最后，我将删除与我的正则表达式匹配的所有内容）

   PRIME In  mice *.....* PRIME

但我明白了：

   PRIME

所以这个"&lt(.)*(>){1}"与整个部分匹配（第一个＆lt; lt和最后一个＆gt;但是我要求匹配只有一次模式＆gt;这不止一次，如果我拿走了一切......

这个正则表达式出了什么问题？我错过了什么？也许是解析这个问题的更好方法？（但我发现的解析器都没有说服我）

P.S。我的解析器适用于： http://en.wikipedia.org/wiki/NFKB2或http://en.wikipedia.org/wiki/APOA4但我想更可靠地完成这项工作。

Answer 1

我真的找不到退出的问题。两个正则表达式都正常工作。我建议在代码中实现之前使用正则表达式在线测试程序。试试这个：http://gskinner.com/RegExr/

导出维基百科文章以获取摘要信息

1 个答案: