如何使用python将wikipedia页面拆分为段落？

我使用Python wikipedia库提取wikipedia页面的内容。我想处理此内容的每个段落（例如，计算每个段落的字数）。将维基百科内容分成段落的最佳方式是什么

将wikipedia导入为wikipedia
def getPage（标题）：
content=wikipedia.page（title）.content
#对于内容中的每个段落，请执行以下操作：
#...

坏方法 图书馆不提供此类信息

在本例中，您可以看到返回的页面内容不包含大多数布局元素：

导入维基百科
打印（wikipedia.page（“纽约市”）.content）

“[……]和体育。纽约是联合国总部所在地，是重要的国际外交中心。位于世界最大的天然港口之一，[……]”

当然也有一些提示，但这些都是冗长乏味的分析：

• 像上面这样的一些段落拆分在上一段的最后一段之后没有空格
• 标题使用的符号类似于

  ==MyTitle==\n

• 换行符被打印出来

---

定义的维基百科部分 如果要查找已定义的节，请尝试使用更活跃、更完整的库

有了它，您可以轻松获得以下部分：

导入wikipediaapi
page_py=wikipediapi.Wikipedia（'en'）。page（'New_York_City'））
打印（第页，第[0]节，文本）

1664年，这座城市以约克公爵的名义命名，[…]从荷兰人手中夺走了它

这种方法可以提供非常清晰的文本，但无法识别章节中的段落

---

Html段落 但是，如果要查找定义为

..

的段落，则需要解析html并进行一些清理

以下是实现这一目标的一种方法（使用）：

导入bs4
导入请求
导入Unicode数据
进口稀土
def get_段落（页面名称）：
r=请求。获取（'https://en.wikipedia.org/api/rest_v1/page/html/{0}.格式（页面名称））
汤=bs4.BeautifulSoup（r.content）
html\u段落=soup.find\u all（'p'）
对于html_段落中的p：
已清理的\u text=re.sub（“（\[[0-9]+\]），”，unicodedata.normalize（'NFKD'，p.text））.strip（）
如果清除了U文本：
产生清晰的文本
打印（列表（获取段落（“纽约市”））[0]）

纽约市（NYC），通常简称纽约，是美国人口最多的城市。[…]是联合国总部所在地，纽约是重要的国际外交中心

---

尽管清理工作并不完美，但这种方法可能是最好的。

非常感谢您完整而清晰的解释。