java正则表达式清除mediawiki标记

Question

这个问题已经有答案了:

已关闭 10 年前。

Possible Duplicate:
Wikipedia : Java library to remove wikipedia text markup removal

我必须清理一些来自 Confluence 的内容。该内容几乎是干净的；但是，有一些事情，例如:

1. [link|]:不带 url 部分的链接
2. *[link|]*:粗体链接(不带 url 部分)
3. *文本*:粗体文本
4. _*text*_:斜体粗体文本

等等。我需要编写一个正则表达式来清理所有这些，所以，我做了类似的事情:

String wikiCleanMarkupRegex = "\\\\[(.*?)[\\\\|.*?]?\\\\]|\\\\*(.*?)\\\\*|_(.*?)_";

但这并不能清除所有内容，我的意思是，如果我给它#2 中的链接，我将得到:

[链接|]

这不是我想要的，我想要得到“链接”...所以，我需要一次又一次地重新解析字符串，直到找不到其他匹配。

这真的很慢，因为有数百万条记录需要清理，所以，有什么方法可以一次性完成所有的正则表达式吗？

非常感谢。

Answer 1

看起来基本上是三种类型的代码格式:斜体、粗体和LINK

我将做一个 3 遍正则表达式替换器。

根据您给出的输入，优先顺序应该是:

/**
 * FIRST REMOVE ITALICS, THEN BOLD, THEN URL
 */
public static String cleanWikiFormat(CharSequence sequence) {
    return Test.removeUrl(Test.removeBold(Test.removeItalic(sequence)));
}

这是一个示例代码:

import java.util.regex.Matcher;
import java.util.regex.Pattern;


public class Test {

    private static String removeItalic(CharSequence sequence) {
        Pattern patt = Pattern.compile("_\\*(.+?)\\*_");
        Matcher m = patt.matcher(sequence);
        StringBuffer sb = new StringBuffer(sequence.length());
        while (m.find()) {
            String text = m.group(1);
            // ... possibly process 'text' ...
            m.appendReplacement(sb, Matcher.quoteReplacement(text));
        }
        m.appendTail(sb);
        return sb.toString();
    }

    private static String removeBold(CharSequence sequence) {
        Pattern patt = Pattern.compile("\\*(.+?)\\*");
        Matcher m = patt.matcher(sequence);
        StringBuffer sb = new StringBuffer(sequence.length());
        while (m.find()) {
            String text = m.group(1);
            // ... possibly process 'text' ...
            m.appendReplacement(sb, Matcher.quoteReplacement(text));
        }
        m.appendTail(sb);
        return sb.toString();
    }


    private static String removeUrl(CharSequence sequence) {
        Pattern patt = Pattern.compile("\\[(.+?)\\|\\]");
        Matcher m = patt.matcher(sequence);
        StringBuffer sb = new StringBuffer(sequence.length());
        while (m.find()) {
            String text = m.group(1);
            // ... possibly process 'text' ...
            m.appendReplacement(sb, Matcher.quoteReplacement(text));
        }
        m.appendTail(sb);
        return sb.toString();
    }


    public static String cleanWikiFormat(CharSequence sequence) {
        return Test.removeUrl(Test.removeBold(Test.removeItalic(sequence)));
    }

    public static void main(String[] args) {
        String text = "[hello|] this is just a *[test|]* to clean wiki *type* and _*formatting*_";
        System.out.println("Original");
        System.out.println(text);
        text = Test.cleanWikiFormat(text);
        System.out.println("CHANGED");
        System.out.println(text);
    }
}

以下内容将给出:

Original
[hello|] this is just a *[test|]* to clean wiki *type* and _*formatting*_
CHANGED
hello this is just a test to clean wiki type and formatting