java - 使用 MediaWiki 从 Wikia 页面中提取文本，但返回时一团糟，有没有更好的方法可以从每个部分中提取文本？

Question

我正在开发一个从 Wikia 页面提取信息并将其显示在应用程序中的 Android 应用程序。我目前正在拉动所有类别进行导航，并将我的应用程序设置为在 WebView 中显示页面，但我想只提取信息并自行格式化，而不是通过传递给 WebView 来降低成本。

我用来获取文本的是：http ://scottlandminecraft.wikia.com/api.php?format=xml&action=query&titles=ZackScott&prop=revisions&rvprop=content

我的问题是文本以一大堆形式出现，是否有人对如何获得更多格式有任何想法，以便我可以从标签中解析，还是我在浪费时间试图找到它？如果是这样，最好找到一种方法来解析我需要的文本，方法是从这个提取的文本中的标识符中获取，还是有更好的方法？

感谢您的投入和时间。

Answer 1

如果您不想自己解析 wiki 标记，最简单的方法是检索页面的解析 HTML 版本，然后使用 HTML 解析器（如Hasham 推荐的jsoup）对其进行处理。

除了抓取普通的 wiki 用户界面（这将为您提供包裹在导航皮肤中的页面 HTML），还有两种获取 MediaWiki 页面的 HTML 文本的方法：

1. 将 API 与 一起使用action=parse，它将返回包含在 MediaWiki API XML（或 JSON / YAML / 等）响应中的页面 HTML，如下所示：

   • http://scottlandminecraft.wikia.com/api.php?format=xml&action=parse&page=ZackScott
     
     

2. 或使用带有 的主index.php脚本action=render，它将仅返回页面 HTML：

   • http://scottlandminecraft.wikia.com/index.php?action=render&title=ZackScott

附言。由于您在问题中提到了部分，因此请注意， API 模块可以使用（甚至）action=parse返回有关页面上部分的信息。例如，请参阅此 API 查询：prop=sectionsprop=sections|text

• http://scottlandminecraft.wikia.com/api.php?format=xml&action=parse&page=ZackScott&prop=sections

Answer 2

内容使用 wiki 语法进行格式化。您可以使用名为Bliki的 Java 引擎在 HTML 中呈现它。

http://code.google.com/p/gwtwiki/

http://code.google.com/p/gwtwiki/wiki/Mediawiki2HTML

Bliki 不适用于 Android。你需要它来编译它。似乎可以做到：

https://groups.google.com/forum/?fromgroups=#!topic/bliki/LNsmnEEZEV4

Answer 3

如果你想解析 html 文档，那么Jsoup是不二之选。