Ben kullanıyorum güncel kod, örneğin, bu bir Wiki Page temizlemek için aşağıdaki olan:

http://en.wikipedia.org/wiki/Tel_Aviv (sen tıklayarak biçimlendirme görebilirsiniz "Bu sayfayı düzenle"

Ben bu döndürdü olsun:

"and given way to its reputation as a "Mediterranean metropolis that never sleeps". Haaretz Editorial It is the country's financial capital and a major performing arts and business center. Tel Aviv's urban area is the Middle East's second biggest city economy, and is ranked 42nd among global cities by Foreign Policys 2008 Global Cities Index. It is also the most expensive city in the region, and 17th most expensive city in the world. The cost of living in Israel is high, with Tel Aviv being its most expensive city to live in. According to Mercer, a human resources consulting firm based in New York, as of 2008 Tel Aviv is the most expensive city in the Middle East and the 14th most expensive in the world. It falls just behind Singapore and Paris and just ahead of Sydney and Dublin in this respect. By comparison, New York City is 22nd."

Doğru değil ki, beklenen sonucu olmalıdır:

Tel Aviv-Yafo (Hebrew: תֵּל־אָבִיב-יָפוֹ; Arabic: تل أبيب‎, Tall ʼAbīb), usually called Tel Aviv, is the second largest city in Israel, with an estimated population of 393,900. The city is situated on the Israeli Mediterranean coastline, with a land area of 51.8 square kilometres (20.0 sq mi). It is the largest and most populous city in the metropolitan area of Gush Dan, home to 3.15 million people as of 2008. The city is governed by the Tel Aviv-Yafo municipality, headed by Ron Huldai.

Bu PHP kodu:

function clean_wiki_text($text)
  {
    // first get rid of UGC HTML tags
    $text = strip_tags($text);

    // keep convert tag
    $text = preg_replace("/\{\{convert\|([^\|]+)\|([^\|]+)\|[^\}]+\}\}/", "$1$2", $text);

    // remove large blocks (treat as tags)
    $text = preg_replace("/(<![^>]+>)/", '', $text);
    $text = preg_replace('/\{\{\s?/', '<', $text);
    $text = str_replace('}}', ' />', $text);

    $text = str_replace('<! />', '', $text);

    // more wiki formatting
    $text = preg_replace("/'{2,6}/", '', $text);
    $text = preg_replace("/[=\s]+External [lL]inks[\s=]+/", '', $text);
    $text = preg_replace("/[=\s]+See [aA]lso[\s=]+/", '', $text);
    $text = preg_replace("/[=\s]+References[\s=]+/", '', $text);
    $text = preg_replace("/[=\s]+Notes[\s=]+/", '', $text);
    $text = preg_replace('/\{\{([^\}]+)\}\}/', '', $text);

    // drop page link text
    $text = preg_replace('/\[\[([^:\|\]]+)\|([^:\]]+)\]\]/', "$2", $text);
    // or keep it with preg_replace('/\[\[([^:\|\]]+)\|([^:\]]+)\]\]/', "$1 ($2)", $text);

    $text = preg_replace('/\(\[[^\]]+\]\)/', '', $text);
    $text = preg_replace('/\[\[([^:\]]+)\]\]/', "$1", $text);
    $text = preg_replace('/\*?\s?\[\[([^\]]+)\]\]/', '', $text);
    $text = preg_replace('/\*\s?\[([^\s]+)\s([^\]]+)\]/', "$2", $text);
    $text = preg_replace('/\n(\*+\s?)/', '', $text);
    $text = preg_replace('/\n{3,}/', "\n\n", $text);
    $text = preg_replace('/<ref[^>]?>[^>]+>/', '', $text);
    $text = preg_replace('/<cite[^>]?>[^>]+>/', '', $text);

    $text = preg_replace('/={2,}/', '', $text);
    $text = preg_replace('/{?class="[^"]+"/', "", $text);
    $text = preg_replace('/!?\s?width="[^"]+"/', "", $text);
    $text = preg_replace('/!?\s?height="[^"]+"/', "", $text);
    $text = preg_replace('/!?\s?style="[^"]+"/', "", $text);
    $text = preg_replace('/!?\s?rowspan="[^"]+"/', "", $text);
    $text = preg_replace('/!?\s?bgcolor="[^"]+"/', "", $text);

    $ Text = ($ metin) Döşeme;

    $text = preg_replace('/\n\n/', "<br />\n<br />\n", $text);
    $text = preg_replace('/\r\n\r\n/', "<br />\r\n<br />\r\n", $text);
/*
    $config = array(
      'show-body-only' => true,
      'clean'          => false, 
      'wrap'           => 0, 
      'show-warnings'  => 0,
      'show-errors'    => 0,
      'enclose-block-text'   => false,
      'vertical-space' => true,
      'output-html'    => true
    );

    // Tidy
    $tidy = new tidy;
    $tidy->parseString($text, $config, 'utf8');
    $tidy->cleanRepair();

    $text = $tidy->value;
*/
    $extras = array(
  //  "/\((.*?)\)/is" => "",
      "/\[(.*?)\]/is" => ""
    );
    $text = preg_replace(array_keys($extras), array_values($extras), $text);

    $text = str_replace(" ,", ',', $text);
    $text = str_replace(", ", ',', $text);
    $text = str_replace(",", ', ', $text);
    $text = str_replace("(, ", '(', $text);
    $text = str_replace(";,", ',', $text);

    // lets keep it plain plain plain
    $text = strip_tags($text);

/ / $ Text = preg_replace ('/ \ s \ s + /', '', $ metin);

$text = str_replace("|-", '', $text); $text = str_replace("|}", '', $text); $text = str_replace("|", '', $text); $text = str_replace('()', '', $text); $text = str_replace(' ', ' ', $text);

$ Text = ($ metin) Döşeme;

$text_arr = preg_split('/[\r\n]+/', $text, -1, PREG_SPLIT_NO_EMPTY); $result = ""; foreach ($text_arr as $paragraph) { if ( mb_strlen(trim($paragraph)) > 30 ) { $result[] = $paragraph; } } return $result; }

Sadece burada tahmin, ama o, (MediaWiki ile birlikte) Wikipedia'nın biçimlendirme kütüphane kullanımı sen rahat olmak için ne olursa olsun XML kitaplık kullanarak ayrıştırmak sonra HTML içine çevirmek için daha kolay ve daha güvenli olmaz mıydı?

API belgeleri http://svn.wikimedia.org/doc/ (in Parser modülü) bulunabilir ve çok karmaşık görünmüyor. Temelde, yapmanız gereken istediğiniz tüm aşağıdaki gibi bir şeydir:

<?php

require_once '/path/to/mediawiki/Parser.php';
// also include whatver classes Parser depends on or use Mediawiki's autoload
// mechanism if it has any

// retrieve the content of your page in $content

$parser = new Parser();
$html   = $parser->parse($content);

$simplexml = simplexml_load_string($html);

Şimdi oynamak için çok kullanışlı bir SimpleXMLElement nesnesi var. Mediawiki en çözümleyici geçerli XML (ben öyle bahis olan) üretir Tabii ki, bu sadece çalışır.

Ayrıca, Mediawiki autoload mekanizması çeşit içermelidir, bu __autoload veya spl_autoload_register mediawiki adlı kod temeli bakarak bulmak kolay olacaktır.

Umarım yardımcı olur!

Bu sadece bir örnek sağlanan bir regex yapmak gerçekten zor - cleeaning wikipedia sayfaları ile benim kendi deneyimlerinden ben diğer sayfaları çok muhtemelen biraz farklı görünecektir biliyorum. Sadece örnek maç için basitçe:

{{.+?}}\n

Bu yalnızca kaldırılacak bölümünden sonra bir satır varsa çalışır ve DOTALL ve MULTILINE specifiy eğer. Çift kıvırcık parantez ve içeride şeyler tüm çiftleri maç:

{{[^}]+}}

Birkaç çalışır, başka istenmeyen kısmı kaldırarak her yapmak için deneyebilirsiniz - Ben size tek bir regex içinde gereken her maç için de yapılabilir şüpheliyim.