0

我正在编写一个从 Wikipedia 获取数据的脚本。

一个常见的问题是例如我想获取：

北史翠柏岛

但是我们正在获取的字符串在下面，所以需要删除废话

[[North Stradbroke Island]]'

当前的抓取代码是：

    $curl_handle=curl_init();
curl_setopt($curl_handle,CURLOPT_URL,"http://en.wikipedia.org/wiki/Special:Export/" . $wiki['suburb'] . ",_" . $wiki['state'] . "");
curl_setopt($curl_handle,CURLOPT_TIMEOUT,10);
curl_setopt($curl_handle,CURLOPT_USERAGENT,'Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.13) Gecko/20080311 Firefox/2.0.0.13');
curl_setopt($curl_handle,CURLOPT_CONNECTTIMEOUT,10);
curl_setopt($curl_handle,CURLOPT_RETURNTRANSFER,1);
$xml = curl_exec($curl_handle);
curl_close($curl_handle);

$x = simplexml_load_string($xml);
$text   = $x->page->revision->text;

$arr = explode("| ", $text);

$wikipedia = array();
foreach($arr as $s){
    $pair   = preg_split('/= /', $s);
    $key    = substr($pair[0],0,strpos($pair[0]," "));
    switch($key){
        case "lga":
        case "pop":
        case "dist1":
            $wikipedia[$key] = substr($pair[1],0,-1);
            break;
        case "near-nw":
        case "near-n":
        case "near-ne":
        case "near-w":
        case "near-e":
        case "near-sw":
        case "near-s":
        case "near-se":
            $value = $pair[1];
            if($value != ""){
                $value =substr($pair[1],2,strpos($pair[1],",")-2);
            }
            $wikipedia[$key] = $value;
            break;
    }
}

在我的页面上，我有：

    <?
    $wiki['suburb'] = str_replace(" ", "_", $r['suburb']);
    $wiki['state'] = convertStateWiki($r['state']);
    include("/path-to-wiki-file/wiki.suburb.php");
    if ($wikipedia != NULL){
?>

并回显结果：（示例）

<a href="reviews/<?=strtolower($r['state']);?>/<?=strtolower(str_replace(" ", "-", $wikipedia['near-nw']));?>/"><?=$wikipedia['near-nw'];?></a>

所以本质上是：我们使用 wikis 导出提要，一个郊区。那个郊区，可能已经被输入到维基百科中，比如：

[['一些郊区名称]'] 例如

我需要将以上内容返回为：Some Suburb Name

我们需要去除所有非 ALPHA 字符，我不是 100% 使用 php，所以如果这听起来很愚蠢，请随意说出来。但请不要投反对票，因为我提供了尽可能多的代码。

我只需要阻止返回的数据包含除字母字符以外的任何内容（必须允许空格）

4

3 回答 3

1

干得好：

<?php
$place = $wikipedia['near-nw'];
$place = trim($place, "[]'");
$href = str_replace(" ", "-", $place);
?>
<a href="reviews/<?=strtolower($r['state'] . "/" . $href);?>/"><?=$place;?></a>
于 2012-08-14T02:23:34.113 回答
1

Wiki Markup 实际上有很好的文档记录。

trim($str, "[]'")但是，对于您的情况，应该做一个简单的事情:)

在你的情况下：

$wiki['suburb'] = str_replace(" ", "_", trim($r['suburb'], "[]'"));
于 2012-08-14T01:29:40.333 回答
-1

“需要删除废话”，废话称为Wiki Markup，它是机器可读的。这是解析器列表：http ://www.mediawiki.org/wiki/Alternative_parsers

如果您将删除所有非字母数字字符，那么您最终会丢失大量信息。只需解析标记，然后以您喜欢的任何格式输出它。

于 2012-08-14T01:22:09.287 回答