Python维基百科链接解析：正则表达式匹配规则优化需求

两种可行思路：直接正则断言或先清理文本 #

思路1：改进正则表达式，用负向断言排除引用块 #

针对你的需求，需要调整正则同时支持[[:Category:...]]和[[...]]格式，并排除* {{ ... }}块内的链接。可以使用负向环视断言实现：

(?<!\* {{[^}\n]*)\[\[:?([^|\]]+)(?:\|[^|\]]+)?\]\](?![^}\n]*}})

正则解释：

• (?<!\* {{[^}\n]*)：负向后瞻，确保当前[[/[[:前面没有* {{开头且未到换行/}}的内容
• \[\[:?：匹配维基百科的两种链接前缀[[或[[:
• ([^|\]]+)：核心捕获组，提取|和]之前的目标内容（对应你要的:Category:Anarchism by country、Squatting等）
• (?:\|[^|\]]+)?：可选匹配链接的显示文本部分（比如|squat）
• (?![^}\n]*}})：负向前瞻，确保当前]]后面没有换行/}}之前的内容，避免匹配引用块内的链接

如果需要处理跨多行的引用块，加上re.DOTALL flag，并把[^}\n]换成[^}]：

(?s)(?<!\* {{.*?)\[\[:?([^|\]]+)(?:\|[^|\]]+)?\]\](?!.*?}})

思路2：先清理引用块再匹配链接（更可靠） #

复杂正则容易受嵌套、跨多行等场景影响，更简单的方式是先移除所有* {{ ... }}引用块，再用你原本的正则（稍作调整支持分类链接）匹配：

import re

wiki_text = "你的维基百科文本内容"
# 第一步：移除所有* {{开头的引用块
cleaned_text = re.sub(r'\* {{.*?}}', '', wiki_text, flags=re.DOTALL)
# 第二步：匹配所有目标链接
pattern = r'\[\[:?([^|\]]+)(?:\|[^|\]]+)?\]\]'
matches = re.findall(pattern, cleaned_text)

这种方法逻辑清晰，避免了正则断言的复杂边界问题，适合处理维基百科的复杂文本结构。

内容的提问来源于stack exchange，提问作者jemhop