我有一个维基百科文章，我想从文章获取第一Z线（或第一个x字符，或者第一Y的话，没关系）。
问题：我可以在源维基文本（通过API）或解析HTML（通过直接HTTP请求，最终在打印版），但我怎么能找到所显示的第一线？ Normaly源（HTML和wikitext的）与信息盒和图像，并第一次真正的文本开始显示是某处的代码。
例如： 爱因斯坦在维基百科 （打印版）。 期待中的代码，第一个真正的文本行“阿尔伯特·爱因斯坦（读/ælbərtaɪnstaɪn/;德语：albɐtaɪ̯nʃtaɪ̯n]; 3月14日1879年至1818年1955年4月）。是一个理论物理学家” 是不是开始。 这同样适用于维基源 ，其与同一个信息箱等开始。
所以，你会如何完成这个任务？ 编程语言是Java，但是这不应该的问题。
它来到我的脑海中的溶液中使用XPath查询，但此查询将是比较复杂的，以处理所有的边界情况。 [更新]这是没有那么复杂，见下面我的解决方案！[/更新]
谢谢！
你并不需要。
API的exintro参数仅返回第一个（零）的一节。
例如： ？api.php行动=查询+道具=提取物及exintro＆explaintext＆标题=阿尔伯特％20Einstein
还有其他的参数，也：
exchars字符提取物的长度。 exsentences句子数返回。 exintro只返回零一节。 exsectionformat使用什么节标题格式明文提取物：
wiki — eg, == Wikitext == plain — no special decoration raw — this extension's internal representation exlimit提取物的最大数量返回。 由于摘录一代可能会很慢，限制在20只介绍提取物和1个封盖的全页提取物。 explaintext返回纯文本提取物。 excontinue当更多的结果可用，使用此参数继续。 来源： https://www.mediawiki.org/wiki/Extension:MobileFrontend#prop.3Dextracts
我也是在同样的需求，并写了一些Python代码做到这一点。
脚本下载与定名称的维基百科文章，用BeautifulSoup解析它，并返回前几个段落。
代码是http://github.com/anandology/sandbox/blob/master/wikisnip/wikisnip.py 。
维基百科提供了一个文摘下载 。 虽然这是一个相当大的文件（目前为2.5GB ），它提供了正是您想要的信息，所有的文章。
你需要一个解析器，可以阅读维基百科的标记。 尝试wiki文字或附带的解析器XWiki实现 。
这将让你忽略你不想（标题，表格）任何东西。
我打开了爱因斯坦的文章在Firefox和我点击查看源代码。 这是很容易使用HTML解析器来解析。 你应该集中在<p>和从内它剥去其他HTML。
例如，如果您有结果在一个字符串，你会发现文字：
<div id="bodyContent">
和索引后，你会发现第一
<p>
这将是你提到的第一个段落的索引。
试试这个网址链接到内容（只需在浏览器的工作原理）
那么，使用维基源本身时，你可以只去掉所有模板的开始。 这可能工作不够好，有鉴于InfoBoxes或在顶部的一些消息大多数文章。
然而，一些文章可能把首发的Blurb到模板本身，这样会有点困难的那里。
另一种方式，也许更可靠，将采取的第一个中的内容<p>直接出现在文章文本标签（因此不是嵌套在表左右）。 这应该在开始去掉InfoBoxes到和其他的东西，这些可能是（我不太确定） <table> S或<div>秒。
一般来说，维基百科是供人食用，只有对任何语义很小支持写入。 这使得从文章相当痛苦的具体信息自动提取。
当你想到，你可能会落得解析源，编译后的HTML，或两者兼而有之。 但是， 维基百科：Lead_section可能会给你什么样的期待在精心撰写的文章一些指示。
我制定了以下解决方案： 使用的XHTML的源代码一个的XPath查询 （我拿着打印的版本，因为它是短，但它也适用于普通版）。
//html/body//div[@id='bodyContent']/p[1]
这适用于德国和英文维基百科，我还没有找到一处不输出第一款的文章。 该解决方案也相当快，我还以为只有服用XHTML的第一个X字符，但是这将会使XHTML无效。
如果有人正在搜索的java代码这里则是：
private static DocumentBuilderFactory dbf;
static {
dbf = DocumentBuilderFactory.newInstance();
dbf.setAttribute("http://apache.org/xml/features/nonvalidating/load-external-dtd", false);
}
private static XPathFactory xpathf = XPathFactory.newInstance();
private static String xexpr = "//html/body//div[@id='bodyContent']/p[1]";
private static String getPlainSummary(String url) {
try {
// OPen Wikipage
URL u = new URL(url);
URLConnection uc = u.openConnection();
uc.setRequestProperty("User-Agent", "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.1) Gecko/20090616 Firefox/3.5");
InputStream uio = uc.getInputStream();
InputSource src = new InputSource(uio);
//Construct Builder
DocumentBuilder builder = dbf.newDocumentBuilder();
Document docXML = builder.parse(src);
//Apply XPath
XPath xpath = xpathf.newXPath();
XPathExpression xpathe = xpath.compile(xexpr);
String s = xpathe.evaluate(docXML);
//Return Attribute
if (s.length() == 0) {
return null;
} else {
return s;
}
}
catch (IOException ioe) {
logger.error("Cant get XML", ioe);
return null;
}
catch (ParserConfigurationException pce) {
logger.error("Cant get DocumentBuilder", pce);
return null;
}
catch (SAXException se) {
logger.error("Cant parse XML", se);
return null;
}
catch (XPathExpressionException xpee) {
logger.error("Cant parse XPATH", xpee);
return null;
}
}
通过调用使用它getPlainSummary("http://de.wikipedia.org/wiki/Uma_Thurman");
