我有以下文本字符串(取自维基百科转储)
text = "[[Category:Ethnic groups| ]]\n[[Category:Ethnic groups by region|*]]\n[[Category:Society-related lists|Ethnic groups]]\n[[Category:Lists of ethnic groups]]"
我想提取文本中的所有类别。所以基本上理想的输出应该是
text = "[Ethnic groups,Ethnic groups by region,Society-related lists|Ethnic groups,Lists of ethnic groups]"
这是我尝试获得解决方案
import re
categories = re.findall(r'\b(Category:.*)\b', text)
categories = [category.replace("Category:", "") for category in categories]
它返回我想要的东西。但是,我不确定这是概括正则表达式的最佳方法。特别是,我想搜索“[[类别:”而不仅仅是“类别:”,因为这是类别链接的实际维基百科定义。您对如何改进正则表达式有什么建议吗?
最佳答案
首先,您不需要进行研究,并且在替换后,您可以使用捕获组一步完成(re.findall
仅在以下情况下返回捕获组:模式包含捕获组,否则返回整个匹配)。
寻找 [[Category:
而不是 \bCategory:
可能是个好主意。您所要做的就是转义左方括号,因为它们是特殊的正则表达式字符。
您应该使用更具限制性的内容,例如 (?:\|(?!\*)[^\]|]*)*),而不是
不包括右方括号和后跟星号的管道。但是,如果您确定要提取的数据以单词字符结尾并且只有一个 .*\b
[[Category:... ]]
每行。一个好的折衷方案是 [^\]]*\b
一步一步:
categories = re.findall(r'\[\[Category:([^\]]*\b)', text)
关于python - 泛化正则表达式以搜索维基百科类别,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44568784/