python - 当 'text' 可能包含更多 {{ text }} block 时，如何用 re.sub() 替换表达式 {{ text }} ？

Question

我正在尝试解析原始维基百科文章内容，例如the article on Sweden ，使用re.sub()。但是，我在尝试替换 {{some text}} block 时遇到了问题，因为它们可以包含更多的 {{some text}} block 。

以下是上述文章中的一个简短示例:

{{Infobox country
| conventional_long_name = Kingdom of Sweden
| native_name = {{native name|sv|Konungariket Sverige|icon=no}}
| common_name = Sweden
}}
Some text I do not want parsed.
{{Link GA|eo}}

大括号内的大括号递归理论上可以任意嵌套到任意数量的级别。

如果我匹配 {{.+}} 的贪婪 block ，则从 {{Infobox 到 eo}} 的所有内容都会匹配，包括我不想匹配的文本。

如果我匹配{{.+}}的非贪婪 block ，则从{{Infobox到icon=no}}的部分已匹配，{{Link GA|eo}} 也是如此。但后来我留下了字符串 | common_name [...] 不想解析。

我还尝试了 \{\{.+(\{\{.+\}\})*.+\}\} 和 \{\{[^\{]+(\{\{[^\{]+\}\})*[^\{]+\}\}，希望仅匹配较大块内的子 block ，但没有效果。

我会列出我尝试过的所有内容，但老实说我记不起一半，而且我怀疑它会有多大用处。它总是会回到同样的问题:为了使双花括号 }} 匹配，需要事先出现相同数量的 {{ 。

这是否可以使用正则表达式来解决，还是我需要其他解决方案？

Answer 1

您考虑过mwparserfromhell ？

import mwparserfromhell
s = """{{Infobox country
| conventional_long_name = Kingdom of Sweden
| native_name = {{native name|sv|Konungariket Sverige|icon=no}}
| common_name = Sweden
}}
Some text I do not want parsed.
{{Link GA|eo}}"""
wikicode = mwparserfromhell.parse(s)
print wikicode.filter_templates()[0]

打印:

{{Infobox country
| conventional_long_name = Kingdom of Sweden
| native_name = {{native name|sv|Konungariket Sverige|icon=no}}
| common_name = Sweden
}}