在PHP中解析维基百科标记的最佳方法是什么？

Question

我正试图以结构化的方式解析特定的维基百科内容。这是一个示例页面：

http://en.wikipedia.org/wiki/Polar_bear

我取得了一些成功。我可以检测到这个页面是一个“specie”页面，我也可以将Taxobox（右侧）的信息解析成一个结构。到目前为止一切都很好。

但是，我也试图解析文本段落。这些是由Wiki格式或HTML格式的API返回的，我目前正在使用Wiki格式。

我可以阅读这些段落，但我想以特定的方式“清理”它们，因为最终我必须在我的应用程序中显示它并且它没有Wiki标记的意义​​。例如，我想删除所有图像。通过过滤掉[[Image：]]块，这很容易。然而，还有一些我无法删除的块，例如：

{{转换| 350 | - | 680 |公斤|简称=上}}

删除整个块会破坏句子。并且有许多这样的符号具有特殊含义。我想避免编写100个正则表达式来处理所有这些，看看我如何能够以更智能的方式解析它。

我的困境如下：

• 我可以继续我目前的半结构化解析路径 有很多工作删除不需要的元素以及“模仿” 需要渲染的模板。
• 或者，我可以从呈现的HTML输出开始并解析它，但我担心的是，以结构化方式解析它同样脆弱和复杂

理想情况下，有一个库可以解决这个问题，但我还没有找到一个可以解决这个问题的工具。我还看了一下结构化的维基百科数据库，比如DBPedia，但那些只有我已经拥有的相同结构，他们没有在Wiki文本本身提供任何结构。

Answer 1

有太多的模板用于手动重新实现所有模板，并且它们一直在变化。因此，您将需要可以处理所有模板的wiki语法的实际解析器。

wiki syxtax非常复杂，有很多怪癖，没有正式的规范。这意味着创建自己的解析器太多了，你应该使用MediaWiki中的解析器。

因此，我认为通过the MediaWiki API获取解析后的HTML是最好的选择。

可能更容易从wiki标记解析的一件事是信息框，所以也许它们应该是一个特例。