Question

我正在尝试使用Python正则表达式替换将wikitext更改为普通文本。关于wiki链接有两种格式规则。

[[页面名称]]
[[页面名称|要显示的文字]]

（http://en.wikipedia.org/wiki/Wikipedia:Cheatsheet）

以下是一些令我头疼的文字。

CD几乎全部由[[披头士乐队]]的[[封面版]]歌曲组成，其中George Martin [[唱片制作人]制作]最初。

上述文字应改为：

该CD几乎完全由乔治·马丁最初制作的披头士歌曲的封面版本组成。

[[]]和[[| ]]语法是我的主要问题。我不需要一个复杂的正则表达式。按顺序应用多个（可能是两个）正则表达式替换是可以的。

请赐教我这个问题。

Answer 1

wikilink_rx = re.compile(r'\[\[(?:[^|\]]*\|)?([^\]]+)\]\]')
return wikilink_rx.sub(r'\1', the_string)

示例：http://ideone.com/7oxuz

注意：您还可以在http://www.mediawiki.org/wiki/Alternative_parsers中找到一些MediaWiki解析器。

Answer 2

你走错了路。众所周知，Wiki标记很难解析，并且有很多例外，边缘情况和简单的破坏标记，构建自己的正则表达式几乎是不可能的。既然您正在使用Python，我建议使用mwlib，它将为您付出艰苦的努力：

http://code.pediapress.com/wiki/wiki/mwlib

Answer 3

我提出了一个正则表达式应该可以解决这个问题。让我知道它是否有任何问题：

r"\[\[(([^\]|]|\](?=[^\]]))*)(\|(([^\]]|\](?=[^\]]))*))?\]\]"

（Ick，我永远不会知道这些东西有多丑！）

第1组应该为您提供维基链接。第4组应该给你链接文本，如果没有管道，则为None。

解释：

(([^\]|]|\](?=[^\]]))*)查找不是“|”的所有字符序列要么 ”]]”。它通过查找不是“|”的所有字符序列来做到这一点或“]”或，这是一个“]”，后跟一个不是“]”的字符。
(\|(([^\]]|\](?=[^\]]))*))?可选地匹配“|”接着是与上面相同的正则表达式，以获取链接文本部分。正则表达式略有改变，因为它允许“|”字符。
显然整个事情都被\[\[ ... \]\]包围。
(?=...)符号与正则表达式匹配但不消耗其字符，因此可以随后匹配它们。我使用它以免消耗“|”在“]”之后可能出现的字符。

修改：我修正了正则表达式以允许紧跟在“|”之前的“]”，如[[abcd]|efgh]]中那样。

Answer 4

这应该有效：

text = "The CD is composed almost entirely of [[cover version]]s of [[The Beatles]] songs which George Martin [[record producer|produced]] originally."
newText = re.sub(r'\[\[([^\|\]]+\|)?([^\]]+)\]\]',r'\2',text)

带有wiki文本的Python正则表达式

4 个答案: