{{AA <!-- BB --> | CC = DD | EE = [[FF]] | GG = [[HH]] ←これってなんて形式ですか？

Question

MediaWiki 操作 APIを使って、Wikipediaの情報を収集しています。

そしたら、表題のようなデータの形式に出くわしました。
これはなんて名前のデータですか？ JSONとかXMLみたいな種類のものですか？

たとえば、ここにアクセスすると、

https://ja.wikipedia.org/w/api.php?format=xml&action=query&prop=revisions&titles=%E6%81%8B%E3%81%99%E3%82%8B%E3%83%95%E3%82%A9%E3%83%BC%E3%83%81%E3%83%A5%E3%83%B3%E3%82%AF%E3%83%83%E3%82%AD%E3%83%BC&rvprop=content

XMLのデータがあって、revタグの中は以下のようになっています。

{{Infobox Single <!-- プロジェクト:楽曲 をご覧ください --> | Name = 恋するフォーチュンクッキー | Artist = [[AKB48]] | Album = [[次の足跡]] | A-side = | B-side = 愛の意味を考えてみた（Type A、Type K、劇場盤）<br />今度こそエクスタシー（Type A）<br />推定マーマレード（Type K）<br />最後のドア（Type B）<br />涙のせいじゃない（Type B）<br />青空カフェ（劇場盤） | Released = {{Flagicon|JPN}} [[2013年]][[8月21日]]<br /><small>（アナログ盤：[[2016年]][[10月1日]]）</small> | Format = [[シングル|マキシシングル]]<br />[[音楽配信]]<br />[[レコード#12インチシングル盤|12インチアナログ盤]] | Recorded = | Genre = [[J-POP]] | Length = 4分46秒 | Label = [[You, Be Cool!|You, Be Cool!/KING RECORDS]] | Writer = [[秋元康]]（作詞）<br />[[伊藤心太郎]]（作曲） | Producer = 秋元康 | Certification = * ミリオン（CD、[[日本レコード協会]]） * ミリオン（有料音楽配信、日本レコード協会） * [[第55回日本レコード大賞]] 優秀作品賞 * 2014年度[[JASRAC賞]]金賞 * 2015年度JASRAC賞銀賞<ref>

（以下略）

HTMLに似てるけど、「|」とか「=」とかが見慣れない感じです…。

この情報を抜き出したいです。たとえば、表の内容を辞書（dict）にまとめたりしたいです。

いまむりやり正規表現を使っていますが、ほかにいい方法ありますか？

Python3で、パースするためのもしよいツールがあったらそれが一番知りたいです！

よろしくお願いします♪

Answer 1

Wikipediaで使われているMediawikiのマークアップ形式Wiki markupと思われます。Markdownのようなもので、HTMLに変換できるような物と言うことです。一応構造化はされていると思いますが、DBのようなテーブルではありません。

Alternative parsersにPythonを含めたいくつかパーサーが書いてありますので、参考にしてください(表でPythonと書いてあるのがPython3に対応しているかはわからないです)。

Comments

[hacosato]

ありがとうございました！ Wiki markupということばがわかれば検索できそうです。

mediawiki-parserがわたしの用途に合っている感じがします。あとで時間を見つけて試してみます！