如何解析一些 Wiki 标记

Question

嘿伙计们，给定一个纯文本数据集，如下所示：

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

我想最终得到一个 NSDictionary 或其他形式的集合，以便我可以获得年份（左侧的数字）映射到摘录（右侧的文本）。所以这就是“模板”的样子：

*[[YEAR]] – THE_TEXT

虽然我希望摘录是纯文本，也就是说，没有 wiki 标记，所以没有 [[ 集。实际上，对于诸如 [[Edmund I of England|Edmund I]] 之类的别名链接来说，这可能会很困难。

我对正则表达式不太有经验，所以我有几个问题。我应该首先尝试“美化”数据吗？例如，删除始终为 ==Events== 的第一行，并删除 [[ 和 ]] 出现的地方？

或者也许是更好的解决方案：我应该分阶段执行此操作吗？例如，第一遍我可以将每一行分成 * [[710]] 和 [[Saracen]] Invasion of [[Sardinia]]。并将它们存储到不同的 NSArray 中。

然后遍历第一个 NSArray 年份，只获取 [[]] 中的文本（我说文本而不是数字，因为它可以是 530 BC），因此 * [[710]] 变为 710。

然后，对于摘录 NSArray，遍历，如果找到 [[some_article|alias]]，则仅将其设置为 [[alias]] 以某种方式，然后删除所有 [[ 和 ]] 集？

这可能吗？我应该使用正则表达式吗？您对正则表达式有什么可能有帮助的想法吗？

谢谢！我真的很感激。

编辑：抱歉造成混乱，但我只想解析上述数据。假设这是我将遇到的唯一类型的标记。我不一定期待解析一般的 wiki 标记，除非已经有一个预先存在的库可以做到这一点。再次感谢！

Answer 1

此代码假设您正在使用 RegexKitLite：

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

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

    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，您确实需要研究 RegEx 才能很好地构建这些，但这就是我所说的：

(?i)

忽略大小写，我可以忽略它，因为我没有匹配字母。

(?:\* *\[\[)

?: 表示不捕获此块，我转义 * 来匹配它，然后有零个或多个空格（“ *”），然后我转义两个括号（因为括号也是正则表达式中的特殊字符）。

([0-9]*)

抓住任何有数字的东西。

(?:\]\] \– )

这里我们再次忽略一些东西，基本上匹配“-”。注意正则表达式中的任何“\”，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，这意味着匹配正则表达式转义的单个“\”结尾在 Obj-C 字符串中表示为“\\”。

(.*)

只要抓住其他任何东西，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匹配其他所有内容。您必须添加代码才能从文本中删除 [[LINK]] 内容。

NSRange 变量用于保持整个文件的匹配，而无需重新匹配原始匹配项。这么说吧。

不要忘记添加 RegExKitLite 类文件后，您还需要添加特殊的链接器标志，否则您将收到大量链接错误（RegexKitLite 站点有安装说明）。

Answer 2

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

查看 RegexKitLite 库。

Answer 3

如果您希望能够解析一般的维基文本，您有很多工作要做。只有一个复杂的因素是模板。你愿意付出多少努力来应对这些？

如果您对此很认真，您可能应该寻找一个解析维基文本的现有库。简单浏览一下，发现这个 CPAN 库，但我没有使用过它，所以我不能引用它作为个人推荐。

或者，您可能想要采取更简单的方法并决定要处理维基文本的哪些特定部分。例如，这可能是链接和标题，但不是列表。然后你必须专注于其中的每一个，并将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，如果您有具体问题，请回来询问。

祝你好运！