Question

我试图清理wikitext。具体来说，我试图删除wiki文本中的所有{{.....}}和<..>...</..>。例如，对于这个wikitext：

＆＃34; {{Infobox UK place \ n | country = England \ n | official_name = Morcombelake \ n | static_image_name =来自Golden Cap的Morecombelake - geograph.org.uk - 1184424.jpg \ n | static_image_caption = Morcombelake as 从Golden Cap \ n | coordinates =看到 {{coord | 50.74361 | -2.85153 | display = inline，title}} \ n | map_type = Dorset \ n | population = \ n | population_ref = \ n | shire_district = [[West 多塞特]] \ n | shire_county = [[Dorset]] \ n | region =西南 England \ n | constituency_westminster = West Dorset \ n | post_town = \ n | postcode_district = \ n | postcode_area = DT \ n | os_grid_reference = SY405938 \ n |网站= \ n}} \ n＆＃39;＆＃39;＆＃39; Morcombelake＆＃39;＆＃39;＆＃39; （也拼写＆＃39;＆＃39;＆＃39; Morecombelake＆＃39;＆＃39;）是[[Bridport]]附近的一个小村庄 [[多塞特]]，[[英格兰]]，在[[Whitchurch。]的古老教区内 Canonicorum]。 [[Golden Cap]]，[[Jurassic Coast]]世界的一部分遗产遗址就在附近。{{cite 网| URL = http://www.nationaltrust.org.uk/golden-cap/|title=Golden Cap | publisher = National Trust | accessdate = 2014-05-04}} \ n \ n == 参考文献== \ n {{reflist}} \ n \ n {{West Dorset}} \ n \ n \ n {{Dorset-geo-stub}} \ n [[类别：村庄in 多塞特]] \ n \ n ==外部链接 == \ n \ n * [http://www.goldencapteamofchurches.org.uk/morcombelakechurch.html 圣加布里埃尔教区教堂] \ n \ n＆＃34;

如何在python中使用正则表达式来生成如下输出：

\ n＆＃39;＆＃39;＆＃39; Morcombelake＆＃39;＆＃39;＆＃39; （也拼写＆＃39;＆＃39; Morecombelake＆＃39;＆＃39;）是一个小在[[多塞特]]，[[英格兰]]附近的[[Bridport]]附近的村庄 [[Whitchurch Canonicorum]]的古代教区。 [[金帽]]，部分 [[侏罗纪海岸]]世界遗产，就在附近。\ n \ n == 参考文献== \ n \ n \ n \ n \ n \ n \ n [[类别：多塞特郡的村庄]] \ n \ n == 外部链接 == \ n \ n * [http://www.goldencapteamofchurches.org.uk/morcombelakechurch.html 圣加布里埃尔教区教堂] \ n \ n

Answer 1

由于标签彼此嵌套，您可以在循环中找到并删除它们：

n = 1
while n > 0:
    s, n = re.subn('{{(?!{)(?:(?!{{).)*?}}|<[^<]*?>', '', s, flags=re.DOTALL)

s是一个包含wikitext的字符串。

您的示例中没有<...>标记，但也应删除它们。

使用正则表达式删除python中的标记之间的内容

1 个答案: