第3章: 正規表現#
Wikipediaの記事を以下のフォーマットで書き出したファイルjawiki-country.json.gzがある。
1行に1記事の情報がJSON形式で格納される
各行には記事名が”title”キーに、記事本文が”text”キーの辞書オブジェクトに格納され、そのオブジェクトがJSON形式で書き出される
ファイル全体はgzipで圧縮される
以下の処理を行うプログラムを作成せよ。
20. JSONデータの読み込み#
Wikipedia記事のJSONファイルを読み込み、「イギリス」に関する記事本文を表示せよ。問題21-29では、ここで抽出した記事本文に対して実行せよ。
21. カテゴリ名を含む行を抽出#
記事中でカテゴリ名を宣言している行を抽出せよ。
22. カテゴリ名の抽出#
記事のカテゴリ名を（行単位ではなく名前で）抽出せよ。
23. セクション構造#
記事中に含まれるセクション名とそのレベル（例えば”== セクション名 ==”なら1）を表示せよ。
24. ファイル参照の抽出#
記事から参照されているメディアファイルをすべて抜き出せ。
25. テンプレートの抽出#
記事中に含まれる「基礎情報」テンプレートのフィールド名と値を抽出し、辞書オブジェクトとして格納せよ。
26. 強調マークアップの除去#
25の処理時に、テンプレートの値からMediaWikiの強調マークアップ（弱い強調、強調、強い強調のすべて）を除去してテキストに変換せよ（参考: マークアップ早見表）。
27. 内部リンクの除去#
26の処理に加えて、テンプレートの値からMediaWikiの内部リンクマークアップを除去し、テキストに変換せよ（参考: マークアップ早見表）。
28. MediaWikiマークアップの除去#
27の処理に加えて、テンプレートの値からMediaWikiマークアップを可能な限り除去し、国の基本情報を整形せよ。
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: MediaWiki APIのimageinfoを呼び出して、ファイル参照をURLに変換すればよい）