从维基百科页面中提取部分的正则表达式

问题描述

由于 infoBox-section 的格式，实际上可以为此使用正则表达式。 诀窍是，您甚至不关心嵌套{{...}}元素，因为它们中的每一个都将以|.

{{(InfoBox.*\r\n(?:\|.*\r\n)+)}}

调试演示

{{           start of the string
  (InfoBox   start of the capturing group
  .*\r\n     any characters until a line break appears
  (?:        
    \|       line has to start with a |
    .*\r\n   any characters until a line break appears
  )          
  +          the non-capturing group can occur multiple times
  )          end of capturing group
}}           

因此，在 - 部分中，您只需匹配以直到弹出的InfoBox行开头的行。|``}}

您可能需要\r\n根据您的平台/语言进行试验。Debuggex很好\r\n，但regex101.com只会匹配\n

解决方法

我正在尝试解析维基百科页面，并且需要使用正则表达式提取页面的特定部分。在下面的数据中，我只需要提取 {{Infobox…}} 部分内的数据。

{{Infobox XC Championships
|Name       = Senior men's race at the 2008 IAAF World Cross Country Championships
|Host city  = [[Edinburgh]],[[Scotland]],[[United Kingdom]] {{flagicon|United Kingdom}}
|Location   = [[Holyrood Park]]
|Nations participating  = 45
}}
2008.<ref name=iaaf_00>
{{ Citation 
| last = 
| publisher = [[IAAF]]
}}

所以在上面的例子中，我只需要提取

Infobox XC Championships
|Name       = Senior men's race at the 2008 IAAF World Cross Country Championships
|Host city  = [[Edinburgh]],[[United Kingdom]] {{flagicon|United Kingdom}}
|Location   = [[Holyrood Park]]
|Nations participating  = 45

请注意，{{Infobox…}} 部分中可能有嵌套的 {{ }} 字符。我不想忽略这一点。

下面是我的正则表达式：

\\{\\{Infobox[^{}]*\\}\\} 

但它似乎不起作用。请帮忙。谢谢！