Я пытаюсь получить введение из статьи в Википедии, чтобы включить ее в отчет. Например, для этой статьи: http://en.wikipedia.org/wiki/MAP3K8Экспорт статьи в Википедии, чтобы получить итоговую информацию
Я хочу получить:
митоген-активируемой протеинкиназы киназа киназы 8 представляет собой фермент, который в организме человека кодируется геном MAP3K8. Этот ген был идентифицирован своей онкогенной трансформирующей активностью в клетках. Закодированный белок является членом семейства серин/треонин-протеинкиназы.
Эта киназа может активировать пути киназы MAP и JNK. Показано, что эта киназа активирует киназы IkappaB и, таким образом, индуцирует ядерную продукцию NF-kappaB . Было обнаружено, что эта киназа способствует продуцированию TNF-альфа и IL-2 при активации T-лимфоцитов . Исследования аналогичного гена у крыс показали прямое вовлечение этой киназы в протеолиз NF-kappaB1, p105 (NFKB1). Этот ген может также использовать нижний по ходу внутрикадровый кодон для начала трансляции и, таким образом, получить изоформу, содержащую более короткий N-конец . Было показано, что более короткая изоформа показывает более слабую трансформационную активность. У мышей этот ген известен как Tpl2 , и он является геном-супрессором опухоли, отсутствие которого способствует развитию и прогрессированию рака .
Я получаю страницу с этим URL: http://en.wikipedia.org/wiki/Special:Export/MAP3K8
И преобразовать код с этого поста: http://forums.asp.net/t/1066507.aspx/1 в C#:
HttpWebRequest request =(HttpWebRequest)HttpWebRequest.Create("http:// en.wikipedia.org/wiki/Special:Export/MAP3K8");
request.Accept = "text/hmtl";
request.Credentials = System.Net.CredentialCache.DefaultCredentials;
HttpWebResponse response = (HttpWebResponse) request.GetResponse();
Stream responseStream = response.GetResponseStream();
XmlTextReader reader = new XmlTextReader(responseStream);
String NS = "http://www.mediawiki.org/xml/export-0.8/";
XPathDocument doc = new XPathDocument(reader);
reader.Close();
response.Close();
XPathNavigator myxpathnav = doc.CreateNavigator();
XPathNodeIterator nodesText = myxpathnav.SelectDescendants("text", NS, false);
while (nodesText.MoveNext())
{
ViewBag.Message += nodesText.Current.InnerXml;
}
ViewBag.Summary = getSummary(ViewBag.Message);
return View();
getSummary метод, согласно шаблону БОР: http://en.wikipedia.org/wiki/Template:PBB_Controls
Я только хочу получить информацию о белках, если это следует за этим.
public string getSummary(string page)
{
string res = "";
//The introduction is in 2 parts:
//1st between "{{PBB|geneid=1326}}" and <!-- The PBB_Summary (.)* -->
string intro = "";
//2nd between "summary_text =" and "=="
//http://en.wik ipedia.org/wiki/Special:Export/MAP3K8 is used as example
string summary = "";
try
{
intro = page.Split(new string[] { "}}" }, StringSplitOptions.None)[1];
intro = intro.Split(new string[] { "<!--" }, StringSplitOptions.None)[0];
intro = deleteMediaWikiTag(intro);
}
catch(Exception)
{
intro = "";
}
try
{
summary += page.Split(new string[] { "summary_text =" }, StringSplitOptions.None)[1];
summary = summary.Split(new string[] { "==" }, StringSplitOptions.None)[0];
summary = deleteMediaWikiTag(summary);
}
catch(Exception)
{
summary = "";
}
res = intro + "\n\n" + summary;
return res;
}
public string deleteMediaWikiTag(string text)
{
string res = "";
// this is working well
Regex reg = new Regex("{{.*(}})*|{{|}}|'''|<!--.*-->|]]|([[]){2}");
res = reg.Replace(text,"");
//I don't understand what is wrong with this regex
Regex regprime = new Regex("<(.)*(>){1}");
res = regprime.Replace(res, "PRIME");
return res;
}
Моя проблема заключается в выполнении deleteMediaWikiTag(summary)
, потому что я теряю конец сводной части, которая:
У мышей этот ген известен как Tpl2 и это опухолевый супрессор ген, отсутствие которого способствует развитию и прогрессированию рака.
Перед тем, как обращаться в регулярных выражениях, этот текст выглядит следующим образом:
<ref name="entrez" />
In mice, this gene is known as Tpl2 and it is a tumor suppressor gene whose absence contributes to the development and progression of cancer.
<ref>{{cite web|last=DeCicco-Skinner|first=Kathleen|title=Loss of tumor progression locus 2 (tpl2) enhances tumorigenesis and inflammation in two-stage skin carcinogenesis|url=http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3460638/}}</ref>
Итак, в соответствии с моим регулярным выражением, я ожидал что-то вроде: (PRIME используется для выделения матчей, в конце , я буду удалять весь соответствующий мое регулярное выражение)
PRIME In mice *.....* PRIME
Но я получаю:
PRIME
Так что "<(.)*(>){1}"
сопрягает с целой части (первый & ЛТ и последний >, но я прошу матч только один раз Узор > что более чем один раз, если я все ...
Что не так с этим регулярным выражением? Я что-то пропустил? Может быть, это лучший способ разобрать это? (но ни один из парсеров, которых я нашел, не убедил меня)
P.S. Мой парсер работает с: http://en.wikipedia.org/wiki/NFKB2 или http://en.wikipedia.org/wiki/APOA4, но я хочу сделать это более надежно.
Вы не должны разбирать XML с регулярным выражением. Попробуйте использовать парсер, например [lxml] (http://lxml.de/). – Walls
я установил свой вопрос на этой странице, изменив Regex в: "(.) | (.) И ЛТ * (/ >) {1} & ЛТ * (>) {1}" > Я испытают больше страниц с моим парсером, чтобы узнать, не забыл ли я разметки в средствах массовой информации, но если кто-то может объяснить мне, почему первая версия не работает, это был бы хороший урок. –
Вы пытались использовать «рефераты Yahoo рефератов» на download.wikimedia.org? – Nemo