期廣義正則表達式來搜索維基百科分類

Question

我有文字的下面的字符串（從維基百科轉儲）

text = "[[Category:Ethnic groups| ]]\n[[Category:Ethnic groups by region|*]]\n[[Category:Society-related lists|Ethnic groups]]\n[[Category:Lists of ethnic groups]]" 

，我想提取文本中的所有類別。所以基本上理想的輸出應

text = "[Ethnic groups,Ethnic groups by region,Society-related lists|Ethnic groups,Lists of ethnic groups]" 

這是我得到的解決方案

import re 

categories = re.findall(r'\b(Category:.*)\b', text) 

categories = [category.replace("Category:", "") for category in categories] 

返回我想要的嘗試。但是，我不確定這是推廣正則表達式的最佳方式。特別是，我想搜索「[[Category：」而不是「Category：」，因爲這是維基百科對類別鏈接的定義。你對如何提高我的正則表達有什麼建議嗎？

Answer 1

首先，你並不需要做一個研究和置換後，你可以使用捕獲組一步完成（re.findall只返回捕獲組，當模式包含捕獲組時，否則返回整個匹配）。

尋找[[Category:而不是\bCategory:可能是一個好主意。所有你需要做的就是跳過方括號，因爲它們是特殊的正則表達式字符。

而不是.*\b你應該使用更多限制性的東西，如(?:\|(?!\*)[^\]|]*)*)，排除方括號和管後面帶星號的管道。但是如果您確定要提取的數據以單詞字符結尾並且每行只有一個[[Category:...]]，則使用.*\b也是一個好主意。一個很好的妥協將是[^\]]*\b

所以一步到位：

categories = re.findall(r'\[\[Category:([^\]]*\b)', text) 

Answer 2

我會去的：

re.findall(r"\bCategory:(.*)\b", text) 

至極應該只返回所需的值（感謝括號）