python - 使用正则表达式解析维基百科链接

Question

我正在尝试从维基百科文章中提取语言列表：List_of_programming_languages_by_type。有几行：

• [[Ada（编程语言）|Ada]]（多用途语言）
• [[Afnix (programming language)|Afnix]] – 自动保护并发访问数据（以前称为“Aleph”，但与“Alef”无关）
• [[Cilk]] – 并发 [[C (programming language)|C]]

几乎所有行都被正确解析，除了带有多个 [[ ]] 块的行（示例中带有 Click 语言的行）。解析代码：

for line in lines:
    lang = re.search('^\*+\s*(\[\['
                    '((?P<wiki_link>.+?)(\|))?'
                     '(?P<lang_name>.+?)' 
                     '\]\])', line)
    if lang:
        print lang.groupdict()

并输出：

{'wiki_link': u'Ada (programming language)', 'lang_name': u'Ada'}
{'wiki_link': u'Afnix (programming language)', 'lang_name': u'Afnix'}
{'wiki_link': u'Cilk]] – a concurrent [[C (programming language)', 'lang_name': u'C'}

如何在一行中管理多个 [[ ]] 块？

PS预期结果：

{'wiki_link': None, 'lang_name': u'Clik'}

Answer 1

您快到了：

lang = re.search('^\*+\s*(\[\['
                '((?P<wiki_link>[^]]+?)(\|))?'
                 '(?P<lang_name>.+?)' 
                 '\]\])', line)

只需更改(?P<wiki_link>.+?)为(?P<wiki_link>[^]]+?).

它不会匹配嵌套结构。

>>> print lang.groupdict()
 {'wiki_link': None, 'lang_name': 'Cilk'}