用Python提取维基百科文章的引言部分

Question

我想提取维基百科文章的介绍部分（忽略其他所有内容，包括表格、图片和其他部分）。我查看了文章的HTML源代码，但没有看到这个部分被包裹在任何特殊标签里。

有没有人能给我一个快速的解决办法？我正在写Python脚本。

谢谢！

Answer 1

1. 你可以看看 mwlib，这个工具可以用来解析维基百科的源代码。
2. 另外，你也可以使用 wikidump 这个库。
3. 通过 BeautifulSoup 进行HTML网页抓取。

哦，这个话题在Stack Overflow上已经有问题了：

1. 解析维基百科的数据
2. 如何通过Python解析/提取MediaWiki格式的文章数据

Answer 2

我觉得你可以通过获取整个页面的内容，去掉所有的表格，然后寻找在某个标记后面第一个出现的<p>...</p>块来找到介绍文本。最后那部分可以用这个正则表达式：

/<!-- bodytext -->.*?(<p>.*?<\/p>\s*)+/

这里的.S选项是为了让.也能匹配换行符...