本文介绍在 go 中可靠提取 wikipedia 页面 infobox 数据的实用方法，涵盖正则解析技巧、嵌套模板处理难点，并推荐基于 mediawiki api 的稳健方案。
本文介绍在 go 中可靠提取 wikipedia 页面 infobox 数据的实用方法，涵盖正则解析技巧、嵌套模板处理难点，并推荐基于 mediawiki api 的稳健方案。
Wikipedia 的 Infobox 是结构化元数据的核心载体，但其 Wikitext 格式高度嵌套、存在多行值、嵌套模板（如 {{Plainlist|...}}、{{Birth date|...}}）和不规则缩进，直接用简单正则匹配极易失败。你提供的示例中，regexp.MustCompile({{Infobox(?s:.?)}}) 无法正确闭合，是因为 Wikitext 中 {{...}} 支持任意深度嵌套（如 {{A|{{B|c}}}}），而 Go 的 regexp 包不支持递归正则（(?1)）或平衡组，因此 `(?={Infobox)({([^{}]|(?1))})` 会编译失败。
✅ 正确思路应分两步：先精准提取整个 Infobox 块，再逐行解析字段。以下为生产可用的 Go 实现：
1. 安全提取 Infobox 块（支持嵌套）
使用栈模拟括号匹配，避免正则局限：
func extractInfobox(text string) (string, bool) {
var stack []rune
start := -1
for i, r := range text {
switch r {
case '{':
stack = append(stack, r)
if len(stack) == 1 && i+1 0 && stack[len(stack)-1] == '{' {
stack = stack[:len(stack)-1]
if len(stack) == 0 && start >= 0 {
return text[start : i+1], true
}
}
}
}
return "", false
}
2. 解析 Infobox 字段（兼容多行与 Plainlist）
对提取出的块按行处理，识别 | key = value 模式，并合并后续缩进行：
func parseInfoboxBlock(block string) map[string]string {
result := make(map[string]string)
lines := strings.Split(block, "\n")
for i := 0; i <h3>3. 完整调用示例</h3><pre class="brush:php;toolbar:false;">func main() {
st := `{{redirect|Einstein|...}} ... {{Infobox scientist | name = Albert Einstein | ... }} ...`
if block, ok := extractInfobox(st); ok {
data := parseInfoboxBlock(block)
fmt.Printf("Name: %s\n", data["name"]) // "Albert Einstein"
fmt.Printf("Birth date: %s\n", data["birth_date"]) // "{{Birth date|df=yes|1879|3|14}}"
fmt.Printf("Fields: %s\n", data["fields"]) // "Physics, philosophy"
} else {
log.Println("Infobox not found")
}
}⚠️ 重要注意事项：
- 模板未展开：上述方法返回的是原始 Wikitext（如 {{Birth date|...}}），若需解析为标准日期，需额外调用 MediaWiki API 的 action=parse 接口渲染。
-
API 更推荐：直接通过 MediaWiki API 获取解析后 HTML 或 Wikitext：
# 获取纯文本 Infobox（需指定 prop=extracts&exintro&explaintext） curl "https://www.php.cn/link/f86194e5108223325e2c43aa0997bb80?action=query&titles=Albert%20Einstein&prop=extracts&exintro&explaintext&format=json"
或使用 prop=revisions&rvprop=content 获取原始 Wikitext，再用上述 Go 函数解析——这比网页爬取更稳定、合规。
- 结构差异：不同 Infobox 模板（Infobox scientist、Infobox person）字段名不同，建议动态键名而非硬编码 struct。
综上，放弃“单正则匹配全部”的幻想，采用“栈提取 + 行解析”组合策略，配合 MediaWiki 官方 API，是 Go 生态中解析 Wikipedia Infobox 最务实、可维护的方案。
