👩💻
言語処理100本ノック 2020 (Rev 2) 第3章: 正規表現 29. 国旗画像のURLを取得する
問題
29. 国旗画像のURLを取得する
テンプレートの内容を利用し，国旗画像のURLを取得せよ．（ヒント: [1]MediaWiki APIの[2]imageinfoを呼び出して，ファイル参照をURLに変換すればよい）．
solution29.py
import pandas as pd
import re
import requests
df_j = pd.read_json('chapter03/jawiki-country.json.gz', lines=True, compression='infer')
text_uk = df_j.query('title=="イギリス"')['text'].values[0]
template_text = re.findall(r'\{\{基礎情報 (.+?^}\})', text_uk, re.MULTILINE+re.DOTALL)[0]
template_text = re.sub("'{2,5}","", template_text)
template_text = re.sub("\[\[(?:.[^|]+?\|)??(([^|]+?)|(\{\{.+?\}\}))\]\]", r"\1", template_text)
template_text = re.sub("\[\[ファイル:(.+?)(?:\|.+)*\]\]", r"\1", template_text)
template_text = re.sub("\{\{lang\|.+?\|(.+?)\}\}", r"\1", template_text)
template_text = re.sub("\{\{仮リンク\|(.+?)\|.+?\}\}", r"\1", template_text)
template_text = re.sub("\{\{.+?}\}","", template_text)
template_text = re.sub("<.+?>","", template_text)
template_text = re.sub("\[.+?]","", template_text)
template = dict(re.findall("\|(.+?) *= *(.+?)\n(?=\||})", template_text, re.MULTILINE+re.DOTALL))
S = requests.Session()
URL = "https://en.wikipedia.org/w/api.php"
path = template["国旗画像"].replace(" ","_")
PARAMS = {
"action": "query",
"format": "json",
"prop": "imageinfo",
"iiprop": "url",
"titles": "File:"+path
}
R = S.get(url=URL, params=PARAMS)
DATA = R.json()
PAGES = DATA["query"]["pages"]
for k, v in PAGES.items():
print(v["imageinfo"][0]["url"])
output
https://upload.wikimedia.org/wikipedia/en/a/ae/Flag_of_the_United_Kingdom.svg
output
この問題では、imageinfoを呼び出して，ファイル参照をURLに変換しました。
参考記事
第3章: 正規表現
re --- 正規表現操作
Python正規表現
regex101
Pythonで文字列を置換（replace, translate, re.sub, re.subn）
Discussion