获取维基百科文章的第一行

你不需要。

API的 exintro 参数仅返回文章的第一(第零)部分。

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

还有其他参数:

• exchars 以字符为单位的摘录长度。
• exsentences 要返回的句子数。
• 埃森特罗 只返回第0节。

• exsectionformat 用于纯文本摘录的节标题格式:

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

• exlimit 要返回的最大提取数。因为摘录的生成可能很慢,所以仅简介摘录的限制为20,整页摘录的限制为1。
• explaintext 返回纯文本摘录。
• excontinue

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

我也有同样的需要,为此编写了一些Python代码。

代码位于 http://github.com/anandology/sandbox/blob/master/wikisnip/wikisnip.py .

download 2.5GB ),它为所有文章提供您想要的信息。

WikiText 或者随附的解析器 XWiki .

我在Firefox上打开了Albert Einstein的文章,点击了View source。使用HTML解析器进行解析非常容易。你应该把注意力集中在 <p>

例如,如果结果是字符串 您可以找到以下文本:

<div id="bodyContent">

在索引之后,你会找到第一个

<p>

这就是你提到的第一段的索引。

试试这个网址 Link to the content (just works in the browser)

好的,当使用Wiki源代码本身时,您可以从一开始就删除所有模板。对于大多数顶部有信息框或一些消息的文章来说,这可能已经足够好了。

另一种可能更可靠的方法是采用第一种方法的内容 <p> 直接出现在文章文本中的标记(因此不嵌套在表中)。这应该在一开始就去掉信息框和其他东西,因为它们可能是(我不太确定) <table> <div>

正如您所期望的,您可能最终必须解析源代码、已编译的HTML或两者。但是, Wikipedia:Lead_section 可能会给你一些关于在好的文章中期望什么的指示。

我制定了以下解决方案: (我选择打印版是因为它较短,但它也适用于普通版)。

//html/body//div[@id='bodyContent']/p[1]

private static DocumentBuilderFactory dbf;
static {
    dbf = DocumentBuilderFactory.newInstance();
    dbf.setAttribute("http://apache.org/xml/features/nonvalidating/load-external-dtd", false);
}
private static XPathFactory xpathf = XPathFactory.newInstance();
private static String xexpr = "//html/body//div[@id='bodyContent']/p[1]";


private static String getPlainSummary(String url) {
    try {
        // OPen Wikipage
        URL u = new URL(url);
        URLConnection uc = u.openConnection();
        uc.setRequestProperty("User-Agent", "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.1) Gecko/20090616 Firefox/3.5");
        InputStream uio = uc.getInputStream();
        InputSource src = new InputSource(uio);

        //Construct Builder
        DocumentBuilder builder = dbf.newDocumentBuilder();
        Document docXML = builder.parse(src);

        //Apply XPath
        XPath xpath = xpathf.newXPath();
        XPathExpression xpathe = xpath.compile(xexpr);
        String s = xpathe.evaluate(docXML);

        //Return Attribute
        if (s.length() == 0) {
            return null;
        } else {
            return s;
        }
    }
    catch (IOException ioe) {
        logger.error("Cant get XML", ioe);
        return null;
    }
    catch (ParserConfigurationException pce) {
        logger.error("Cant get DocumentBuilder", pce);
        return null;
    }
    catch (SAXException se) {
        logger.error("Cant parse XML", se);
        return null;
    }
    catch (XPathExpressionException xpee) {
        logger.error("Cant parse XPATH", xpee);
        return null;
    }
}

通过打电话来使用它 getPlainSummary("http://de.wikipedia.org/wiki/Uma_Thurman");