导出维基百科文章以获取摘要信息

Question

我正试图从维基百科的文章中得到介绍，以便将其纳入报告。例如，对于本文：http://en.wikipedia.org/wiki/MAP3K8

我想要：

丝裂原活化蛋白激酶8是一种由MAP3K8基因编码的酶.该基因是通过其在细胞中的致癌转化活性来鉴定的。编码蛋白是丝氨酸/苏氨酸蛋白激酶家族的成员。 该激酶可激活MAP激酶和JNK激酶通路。该激酶能激活IkappaB激酶，从而诱导NF-kappaB的核产生.该激酶还能促进T淋巴细胞活化过程中TNF-α和IL-2的产生.对大鼠类似基因的研究表明，该激酶直接参与NF-kappaB1 1，p105 (NFKB1)的蛋白水解。该基因还可能利用下游的帧内翻译起始密码子，从而产生一个含有较短N端的异构体。较短的异构体表现出较弱的转化活性。在小鼠中，该基因被称为Tpl2，它是一种肿瘤抑制基因，其缺失参与了癌症的发生和发展。

我得到了这个网址：http://en.wikipedia.org/wiki/Special:Export/MAP3K8的页面

我将本文中的代码：http://forums.asp.net/t/1066507.aspx/1转换为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方法，根据PBB模板：Controls

我只想得到蛋白质的信息，如果这是后续的话。

   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("&lt(.)*(>){1}");
        res = regprime.Replace(res, "PRIME");
        return res;
    }

我的问题是在执行deleteMediaWikiTag(summary)时，因为我失去了摘要部分的结尾，即：

在小鼠中，该基因被称为Tpl2，它是一种肿瘤抑制基因，其缺失参与了癌症的发生和发展。

在由regex处理之前，以下文本如下所示：

   <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>

因此，根据我的regex，我期待这样的东西：(PRIME用于突出显示匹配，最后，我将删除与regex匹配的所有内容)

   PRIME In  mice *.....* PRIME

但我明白：

   PRIME

所以这个"&lt(.)*(>){1}"与整个部分(第一个<和最后一个>)是匹配的，但是我要求匹配一个只有一次的模式>，如果我把所有的东西都取下来的话，这是不止一次的。

这个Regex怎么了？我错过了什么吗？也许这是一种更好的解析方法吗？(但我发现的解析者中没有一个让我信服)

我的解析器可以使用：http://en.wikipedia.org/wiki/NFKB2或http://en.wikipedia.org/wiki/APOA4，但我希望更可靠地完成它。

Answer 1

我真的找不到退出的那个有任何问题。这两个正则表达式都正常工作。我建议在代码中实现之前使用正则表达式在线测试器。试试这个：http://gskinner.com/RegExr/