parsing - 获取维基百科文章的第一行

Question

我有一篇维基百科文章，我想从文章中获取前 z 行(或前 x 个字符，或前 y 个单词，无关紧要)。

问题:我可以获取源 Wiki-Text(通过 API)或解析的 HTML(通过直接 HTTP-Request，最终在打印版本上)但是我如何找到显示的第一行？通常，源代码(html 和 wikitext)从信息框和图像开始，第一个要显示的真实文本位于代码中的某个位置。

例如:
Albert Einstein on Wikipedia (打印版)。查看代码，第一行真实文本“阿尔伯特·爱因斯坦(发音为/ˈælbərt ˈaɪnstaɪn/；德语:[ˈalbɐt ˈaɪ̯nʃtaɪ̯n]；1879 年 3 月 14 日至 1955 年 4 月 18 日)是一位理论物理学家。”不是在开始。这同样适用于 Wiki-Source ，它以相同的信息框开始，依此类推。

那么你将如何完成这个任务呢？编程语言是java，但这无关紧要。

我想到的一个解决方案是使用 xpath 查询，但这个查询处理所有边界情况会相当复杂。 [update]没那么复杂，看下面我的解决方案![/update]

谢谢!

Answer 1

你不需要。

API 的 exintro参数仅返回文章的第一个(第零个)部分。

示例: api.php?action=query&prop=extracts&exintro&explaintext&titles=Albert%20Einstein

还有其他参数:

exchars 以字符为单位的提取长度。

exsentences 要返回的句子数。

exintro 仅返回第零部分。

exsectionformat 用于纯文本提取的节标题格式:

wiki — e.g., == Wikitext ==
plain — no special decoration
raw — this extension's internal representation

exlimit 要返回的最大提取数。由于摘录生成速度可能很慢，因此仅限介绍的摘录限制为 20，整页摘录限制为 1。

explaintext 返回纯文本摘录。

excontinue 当有更多结果可用时，使用此参数继续。

来源: https://www.mediawiki.org/wiki/Extension:MobileFrontend#prop.3Dextracts