python - 从 wiki 模板标记中提取字段的正则表达式

Question

我想使用 Python 提取特定字符串后的 MediaWiki 标记格式的内容。例如，2012 U.S. presidential election article ，包含名为“nominee1”和“nominee2”的字段。玩具示例:

In [1]: markup = get_wikipedia_markup('United States presidential election, 2012')
In [2]: markup
Out[2]:
u"{{
| nominee1 = '''[[Barack Obama]]'''\n
| party1 = Democratic Party (United States)\n
| home_state1 = [[Illinois]]\n
| running_mate1 = '''[[Joe Biden]]'''\n
| nominee2 = [[Mitt Romney]]\n
| party2 = Republican Party (United States)\n
| home_state2 = [[Massachusetts]]\n
| running_mate2 = [[Paul Ryan]]\n
}}"

以上面的选举文章为例，我想提取紧跟在“nomineeN”字段之后但在调用下一个字段之前存在的信息(由 pip“|”分隔)。因此，根据上面的示例，我希望提取“Barack Obama”和“Mitt Romney”——或者至少提取它们所嵌入的语法('''[[Barack Obama]]''' 和 [ [米特罗姆尼]])。其他正则表达式有 extracted links from the wikimarkup ，但我(失败)尝试使用 positive lookbehind assertion有点像:

nominees = re.findall(r'(?<=\|nominee\d\=)\S+',markup)

我的想法是，它应该找到像“|nominee1=”和“|nominee2=”这样的字符串，在“|”、“nominee”、“=”之间可能有一些空格，然后返回它后面的内容，比如“Barack Obama” ”和“米特·罗姆尼”。

Answer 1

使用mwparserfromhell !它压缩了您的代码，并且更安心地捕获结果。对于此示例的用法:

import mwparserfromhell as mw
text = get_wikipedia_markup('United States presidential election, 2012')
code = mw.parse(text)
templates = code.filter_templates()
for template in templates:
    if template.name == 'Infobox election':
        nominee1 = template.get('nominee1').value
        nominee2 = template.get('nominee2').value
print nominee1
print nominee2

捕获结果非常简单。