Python 如何从mediawiki提取纯文本？

我已经从导出了一些类别。它们是XML格式的。我想要“大纲”部分的纯文本。你可以下载全部内容（54KB压缩）

典型的概要部分如下所示：

==简介==[[Catelyn Tully | Catelyn]]聆听音乐人在大厅里演奏的鼓声。她 在比赛中坐在[[Ryman Frey]]和[[Roose Bolton]]之间 婚宴。她自言自语地说，婚礼是多么的不快乐 看着[[Robb Stark | Robb]]与几位弗雷女仆跳舞 而且[[Edmure Tully | Edmure]]很爱他即将成为的妻子[[Roslin] 弗雷|罗斯林]]。当Catelyn得知这一点时，她变得更加谨慎 弗雷|奥利瓦尔]]、[[Perwyn-Frey | Perwyn]]和[[Alesander-Frey]]都是 没有参加婚礼。她注意到[[Merrett Frey]]在努力 喝下桌下的[[Greatjon Umber | Greatjon]]，最后 领主[[Walder Frey]]要床上用品。罗布没有参加 当大乔恩抱着一个哭泣的罗斯林来到卧室时

---

如何从所有概要部分提取纯文本？

首先，您需要将其解析为XML。我建议使用lxml和xpath

from lxml import etree

tree = etree.parse('file.xml')
expression = '/m:mediawiki/m:page/m:revision/m:text/text()'
namespaces = {"m": "http://www.mediawiki.org/xml/export-0.10/"}
texts = tree.xpath(expression, namespaces=namespaces)

---

获得所有文本部分后，使用正则表达式逐个解析它们。或者编写自己的解析器。

这不是XML。。。看起来像RST，它实际上是纯文本，因为假设您使用了XHTML，所以抛出了一些链接，然后@OneCricketeer我希望从概要部分看到纯文本（例如，[[Catelyn Tully | Catelyn]]变成Catelyn Tully）。太多，无法手动复制和编辑。这不是的副本。我认为这个问题有点懒惰（没有显示出真正的研究成果），但问题中的标记不是重构文本。它是MediaWiki标记。链接文件（“整个内容”）实际上是一个XML文件。不包含任何好的答案。如果输入确实是XML，请查找具有类似答案的现有问题，并以重复方式关闭。在50k rep上，您应该不再需要只为代表回答问题。但是，另外，inpqt显然不是XML。@tripleee您确定我链接的完整文件不是XML吗？