寻求单一正则表达式高效处理维基百科转储文本的方案

核心思路 #

先精准捕获目标句子（从Paul开头到philologue结尾的第一句话），再对句子内的各类维基格式做批量转换，比强行用单一正则处理整个文本更高效、易维护。

具体实现（以Python为例） #

1. 捕获目标句子

用正则匹配跳过前面的信息框，直接提取第一句话：

'''Paul.*?philologue\.

（开启re.DOTALL模式，确保.能匹配换行，示例中句子是单行，实际场景中开启模式更稳妥）

2. 格式转换规则

对捕获到的句子依次执行以下替换：

• 移除粗体标记：替换'''为空字符串
• 处理维基链接：
  • 带|的链接：用\[\[.*?\|(.*?)\]\]替换为$1（保留|后的内容）
  • 不带|的链接：用\[\[(.*?)\]\]替换为$1（直接保留链接文本）
• 处理日期模板：用\{\{(Date de naissance|Date de décès)\|(\d+)\|([a-zéè]+)\|(\d+)\}\}替换为$2 $3 $4（提取日、月、年组成标准日期）

完整代码示例

import re

wiki_text = """{{Infobox Biographie2|charte=linguiste
|région                  = Linguiste occidental
|idées remarquables      = [[épithète homérique]]
|œuvres principales      = * ''Introduction à l'étude comparative des langues indo-européennes'' ([[1903]])
* ''Aperçu d'une histoire de la langue grecque'' ([[1913]])
* ''Dictionnaire étymologique de la langue latine'' ([[1932]])
}}

'''Paul Jules Antoine Meillet''', né le {{Date de naissance|11|novembre|1866}} à [[Moulins (Allier)|Moulins]] ([[Allier (département)|Allier]]) et mort le {{Date de décès|21|septembre|1936}} à [[Châteaumeillant]] ([[Cher (département)|Cher]]), est le principal [[liste de linguistes|linguiste]] français des premières décennies du {{XXe siècle}}. Il est aussi [[philologue]].

== Biographie ==
D'origine bourbonnaise, fils d'un [[notaire]] de [[Châteaumeillant]] ([[Cher (département)|Cher]]), Antoine Meillet fait ses études secondaires au [[lycée Théodore-de-Banville|lycée]] de [[Moulins (Allier)|Moulins]].
"""

# 捕获目标句子
match = re.search(r"'''Paul.*?philologue\.", wiki_text, re.DOTALL)
if match:
    target = match.group(0)
    # 批量处理格式
    result = re.sub(r"'''", "", target)
    result = re.sub(r"\[\[.*?\|(.*?)\]\]", r"\1", result)
    result = re.sub(r"\[\[(.*?)\]\]", r"\1", result)
    result = re.sub(r"\{\{(Date de naissance|Date de décès)\|(\d+)\|([a-zéè]+)\|(\d+)\}\}", r"\2 \3 \4", result)
    print(result)

输出结果

Paul Jules Antoine Meillet, né le 11 novembre 1866 à Moulins (Allier) et mort le 21 septembre 1936 à Châteaumeillant (Cher), est le principal linguiste français des premières décennies du {{XXe siècle}}. Il est aussi philologue.

为什么不用单一正则直接处理？ #

强行用单一正则覆盖所有规则会导致表达式异常冗长，可读性和维护性极差，而且难以精准控制只处理第一句话。这种“先捕获再批量替换”的方式更符合高效、易维护的需求。

内容的提问来源于stack exchange，提问作者SweetPackM