regex - 如何通过 URL 区分 Wikipedia 文章？

Question

Wikipedia 上有很多不是文章的页面，例如讨论页等。如何通过 URL 将它们与文章区分开来？

Answer 1

简短的回答是你不能单独使用正则表达式。

更长的答案是 MediaWiki 文章按名称空间划分，而名称空间又使用冒号作为标记，如“Talk:Foo”。因此，标题中没有冒号的文章肯定位于主（= 内容）命名空间中。问题是，带有冒号的文章可能在另一个命名空间中，或者是恰好包含冒号的内容文章，并且由于 WP 的命名空间列表很长且不断变化，您不能（或至少不应该）硬编码这个列表在一个正则表达式中。

因此，正确的答案是使用MediaWiki API仅在主命名空间中迭代/搜索文章。

Answer 2

您可以通过使用其 API 和以下查询来获取 Wikipedia 名称空间及其别名的列表：

http://en.wikipedia.org/w/api.php?action=query&meta=siteinfo&siprop=namespaces

然后，如果第一个冒号之前的页面标题部分与任何已知的命名空间匹配，则它不是文章；否则，它是。