使用正则表达式解析维基百科内部链接

Question

Wiki-markup 将链接存储在 [[ 和 ]] 之间，也就是说，如果我编写 [[PageTitle]]，Wikipedia 将生成一个指向名为 PageTitle 的内部页面的链接。但是，也可以使用 [[ ]] 生成其他链接，例如类别、文件、帮助、特殊等...

为了排除这些，我想出了以下正则表达式：

\[\[(?!Category|Wikipedia|File|Help|User talk|Special)(.*?)\]\]

这适用于大多数情况，除了引用（我一开始不想要）。引用存储在 ref XML 标记 (<ref></ref>) 中。例如：

<ref>"The remedy has been found: libertarian communism."
[http://www.theanarchistlibrary.org/HTML/Sebastien_Faure__Libertarian_Communism.html 
[[Sébastien Faure]. "Libertarian Communism"]</ref>

理想情况下，我可以完全跳过引用，但至少，阅读字符串中没有 ] 的项目可能会解决这个问题。

我知道你们中的大多数人会告诉我不要使用正则表达式来解析 wiki 标记，但是我将解析 wikipedia 中的所有链接（通过他们的 XML 转储），这意味着我能编写的代码越简单越好.

Answer 1

因为看起来您可以使用环视
添加了测试用例

 # \[\[(?!Category|Wikipedia|File|Help|User\ talk|Special)((?:(?![\[\]]).)*)\]\]

 \[\[
 (?!
      Category
   |  Wikipedia
   |  File
   |  Help
   |  User\ talk
   |  Special
 )
 (
      (?:
           (?! [\[\]] )
           . 
      )*
 )
 \]\]

Perl 测试用例

$/ = undef;

$str = <DATA>;

while ( $str =~ /\[\[(?!Category|Wikipedia|File|Help|User\ talk|Special)((?:(?![\[\]]).)*)\]\]/g )
{
    print "$1\n";
}


__DATA__

[[Link 1]] and [[Link 2]] 
ref>"The remedy has been found: libertarian communism."
[http://www.theanarchistlibrary.org/HTML/Sebastien_Faure__Libertarian_Communism.html 
[[Sébastien Faure]. "Libertarian Communism"]</ref>
[[Link 3]] and [[Link 4]] 

输出>>

Link 1
Link 2
Link 3
Link 4