如何获得维基百科“干净”的内容？

Question

我使用Mediawiki api 来从维基百科页面获取内容。 我编写了一个生成下一个查询的代码（例如）：

http://en.wikipedia.org/w/api.php?action=query&prop=revisions&rvprop=content&rvsection=0&titles=hawaii

仅检索关于夏威夷的维基百科页面的开头段落。

问题是您可能会注意到有很多不相关的子字符串，例如：

"[[Molokai|Moloka{{okina}}i]], [[Lanai|Lāna{{okina}}i]], [[Kahoolawe|Kaho{{okina}}olawe]], [[Maui]] and the [[Hawaii (island)|"。

所有这些括号 [[]] 都不相关，我想知道是否有一种优雅的方法可以只从这些页面中提取“干净”的内容？

提前致谢。

Answer 1

您可以使用以下查询从 Wikipedia 获得干净的 HTML 文本：

https://en.wikipedia.org/w/api.php?action=query&prop=extracts&titles=hawaii

如果你只想要纯文本，没有 HTML，试试这个：

https://en.wikipedia.org/w/api.php?action=query&prop=extracts&titles=hawaii&explaintext

Answer 2

请试试这个：

$relevant = preg_replace('/[[.*?]]/', '', $string);

编辑：刚刚找到 this - 希望对您有所帮助