使用C#/.NET解析Wiki百科数据实现获取历史上的今天
创建一个webapi项目做测试使用。
![0](https://img2024.cnblogs.com/blog/1995789/202407/1995789-20240717175056457-1695176248.png)
创建新控制器,搭建一个基础框架,包括获取当天日期、wiki的请求地址等
![0](https://img2024.cnblogs.com/blog/1995789/202407/1995789-20240717175056457-2017969710.png)
创建一个Http请求帮助类以及方法,用于获取指定URL的信息
![0](https://img2024.cnblogs.com/blog/1995789/202407/1995789-20240717175056269-627415935.png)
使用http请求访问指定url,先运行一下,看看返回的内容。内容如图右边所示,实际上是一个Json数据。我们主要解析 大事记 部分的内容,位于Json的revisions字段内
![0](https://img2024.cnblogs.com/blog/1995789/202407/1995789-20240717175056379-1969681664.png)
定义有关实体类,用于把收到的json数据转换为对象
![0](https://img2024.cnblogs.com/blog/1995789/202407/1995789-20240717175056249-1903649173.png)
根据转换的对象,可以看到对象内所有需要的内容,都在Content字段里面了。由于不知道是否存在多层结构,所以此处使用循环来遍历内容。先搭建个模子。
![0](https://img2024.cnblogs.com/blog/1995789/202407/1995789-20240717175056334-525203030.png)
编写一个正则表达式,根据规律,可以识别出,每个词条都是以[]的形式存在,并且存在嵌套内容,所以做一个数据清理,清理嵌套抽重复的数据。
![0](https://img2024.cnblogs.com/blog/1995789/202407/1995789-20240717175056060-1496650449.png)
解析出来的新文本,看起来内容舒服一点了。然后我们只需要获取[[xx年]]的这些词行数据,所以可以继续做个数据清理,匹配正则表达式
![0](https://img2024.cnblogs.com/blog/1995789/202407/1995789-20240717175056338-1441439925.png)
根据匹配的正则表达式内容,做个遍历输出
![0](https://img2024.cnblogs.com/blog/1995789/202407/1995789-20240717175056246-1801168064.png)
查看输出的内容,可以看到已经被过滤成功了:
![0](https://img2024.cnblogs.com/blog/1995789/202407/1995789-20240717175056475-1375874225.png)
不过默认是繁体字,咱们再完善下,做成简体字。先安装一个古老的包:ChineseConverter 有提示不用管,能用。
![0](https://img2024.cnblogs.com/blog/1995789/202407/1995789-20240717175056299-1529575335.png)
然后直接调用即可:
string simplifiedText = ChineseConverter.Convert(繁体中文字符串, ChineseConversionDirection.TraditionalToSimplified);
然后重新跑一下,可以看到繁体变成了简体了。
![0](https://img2024.cnblogs.com/blog/1995789/202407/1995789-20240717175056479-1223419301.png)
最后,剩下的一些括号等符号,或者特殊字符,只需要做一个全局替换即可。以及如果需要解析其他内容,也可以自行再开发一个对应的正则表达式即可。
如需以上源码,可在个人公众号【Dotnet Dancer】后台回复“历史上的今天” 即可获取以上源码。