代码之家 › 专栏 › 技术社区 › Jorge Israel Peña

如何解析某些wiki标记

wikitext markup parsing regex objective-c

1

Jorge Israel Peña · 技术社区 · 15 年前

嘿,伙计们,给定一个纯文本的数据集,如下所示:

==Events==
* [[312]] &ndash; [[Constantine the Great]] is said to have received his famous [[Battle of Milvian Bridge#Vision of Constantine|Vision of the Cross]].
* [[710]] &ndash; [[Saracen]] invasion of [[Sardinia]].
* [[939]] &ndash; [[Edmund I of England|Edmund I]] succeeds [[Athelstan of England|Athelstan]] as [[King of England]].
*[[1275]] &ndash; Traditional founding of the city of [[Amsterdam]].
*[[1524]] &ndash; [[Italian Wars]]: The French troops lay siege to [[Pavia]].
*[[1553]] &ndash; Condemned as a [[Heresy|heretic]], [[Michael Servetus]] is [[burned at the stake]] just outside [[Geneva]].
*[[1644]] &ndash; [[Second Battle of Newbury]] in the [[English Civil War]].
*[[1682]] &ndash; [[Philadelphia]], [[Pennsylvania]] is founded.

我想以一个 NSDictionary 或者其他形式的集合,这样我可以让年份(左边的数字)映射到摘录(右边的文本)。所以“模板”是这样的:

*[[YEAR]] &ndash; THE_TEXT

尽管我希望摘录是纯文本的,也就是说,没有wiki标记,所以没有 [[ 集合。事实上,这对于别名链接来说可能很困难,例如 [[Edmund I of England|Edmund I]] .

我对正则表达式的经验不多,所以我有几个问题。我应该首先“美化”数据吗?例如,删除第一行 ==Events== ,并移除 [[ 和 ]] 发生?

或者一个更好的解决方案:我应该在通行证中这样做吗?例如,我可以把每一行分成 * [[710]] 和 [[Saracen]] invasion of [[Sardinia]] . 把它们储存在不同的地方 NSArrays .

然后通过第一个 NSArray 而且只在 [[]] ( 我说的是文字而不是数字,因为它可以 公元前530年 如此 *[〔710〕 变成 710 .

然后是摘录 不可变数组 ,通过,如果 [[some_article|alias]] 找到了,就让它 [[alias]] 然后把所有的 [[ 和 ] ] 集合?

这有可能吗?我应该使用正则表达式吗?对于正则表达式,你有什么想法可以帮助你吗?

谢谢!我真的很感激。

编辑 :很抱歉弄混了,但我只想解析上面的数据。假设这是我将遇到的唯一一种标记类型。一般来说,我并不希望解析wiki标记,除非已经有一个现成的库可以这样做。再次感谢!

3 回复 | 直到 15 年前

1

3

Kendall Helmstetter Gelner 15 年前

此代码假定您正在使用 RegexKitLite :

NSString *data = @"* [[312]] &ndash; [[Constantine the Great]] is said to have received his famous [[Battle of Milvian Bridge#Vision of Constantine|Vision of the Cross]].\n\
    * [[710]] &ndash; [[Saracen]] invasion of [[Sardinia]].\n\
    * [[939]] &ndash; [[Edmund I of England|Edmund I]] succeeds [[Athelstan of England|Athelstan]] as [[King of England]].\n\
    *[[1275]] &ndash; Traditional founding of the city of [[Amsterdam]].";

    NSString *captureRegex = @"(?i)(?:\\* *\\[\\[)([0-9]*)(?:\\]\\] \\&ndash; )(.*)"; 

    NSRange captureRange;
    NSRange stringRange;
    stringRange.location = 0;
    stringRange.length = data.length;

    do 
    {
        captureRange = [data rangeOfRegex:captureRegex inRange:stringRange];
        if ( captureRange.location != NSNotFound )
        {
            NSString *year = [data stringByMatching:captureRegex options:RKLNoOptions inRange:stringRange capture:1 error:NULL];
            NSString *textStuff = [data stringByMatching:captureRegex options:RKLNoOptions inRange:stringRange capture:2 error:NULL];
            stringRange.location = captureRange.location + captureRange.length;
            stringRange.length = data.length - stringRange.location;
            NSLog(@"Year:%@, Stuff:%@", year, textStuff);
        }
    }
    while ( captureRange.location != NSNotFound );

请注意,您确实需要学习regex才能构建好这些,但我要说的是:

(?i)

忽略大小写,因为我不匹配字母,所以我本可以忽略不计。

(?:\* *\[\[)

是吗?:表示不要捕获此块,我转义*以匹配它,然后有零个或多个空格(“*”),然后我转义两个方括号(因为方括号也是regex中的特殊字符)。

([0-9]*)

带上任何数字。

(?:\]\] \&ndash; )

这里我们又忽略了一些东西,基本上是匹配的“–”。请注意,在regex中,我必须在上面的objective-c字符串中添加另一个\“,因为\”是字符串中的特殊字符…是的,这意味着在obj-c字符串中匹配一个regex转义的单个\“以\”结尾。

(.*)

只要抓取其他东西,默认情况下,regex引擎将在行尾停止匹配,这就是为什么它不只是匹配其他东西的原因。你必须添加代码才能从文本中去掉[[链接]]的内容。

NSRANGE变量用于在不重新匹配原始匹配项的情况下通过文件保持匹配。可以这么说。

别忘了添加regexkitlite类文件后,还需要添加特殊的链接器标志,否则会出现很多链接错误(regexkitlite站点有安装说明)。

2

0

Jasarien 15 年前

我不擅长正则表达式,但这听起来像是他们的工作。我想一个正则表达式可以很容易地为您解决这个问题。

看看regexkitlite库。

3

0

Tim Palak Chaudhary 15 年前

如果您希望能够大体上解析维基文本,那么您有很多工作要做。唯一复杂的因素是模板。你想做多少努力来应付这些?

如果你是认真的,你可能应该找一个现有的库来解析维基文本。一个简单的环视发现 this CPAN library 但是我没有用过,所以我不能把它作为个人推荐。

或者,您可能希望采用一种更简单的方法,并决定要处理的维基文本的特定部分。例如,这可能是链接和标题,但不是列表。然后你必须把注意力集中在每一个上面,把维基文本变成你想要的样子。是的,正则表达式在这方面会有很大帮助,所以请仔细阅读它们,如果您有特定的问题,请回来询问。

祝你好运!