def test_q20_no_result(self):
file = os.path.join(self.td.name, "test.json.gz")
with gzip.open(file, mode="wt", encoding="utf-8") as gz:
gz.write(r'{"text": "１について\n記事本文です。", "title": "タイトル１"}' + "\n")
gz.write(r'{"text": "２について\n記事本文である。", "title": "タイトル２"}' + "\n")
gz.write(r'{"text": "３について\n記事本文だよ。", "title": "タイトル３"}' + "\n")
result = q20.get_article_from_gzip_json(file, "タイトル４")
self.assertIsNone(result)
# 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．
import os, re
import q20
def pick_category_rows(article):
results = re.findall(r"\[\[Category:.*?\]\]\n", article)
return results
if __name__ == "__main__":
file = os.path.join(os.path.dirname(__file__),
r"..\DataSource\jawiki-country.json.gz")
article = q20.get_article_from_gzip_json(file, "イギリス")
result = (pick_category_rows(article))
print("".join(result))
# 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．
# wikipediaのセクションレベル？
# 行頭に等号。数が増えるごとに1階層下がる（等号一つは見出し）
# == セクションの見出し ==
# === サブセクションの見出し ===
# ==== サブサブセクションの見出し ====
import os, re
import q20
def pick_sections(article):
result = []
# 2つ以上の等号で囲まれた行
pattern = r"^(?P<level>={2,})(?P<section>.*?)={2,}$"
for m in re.finditer(pattern, article, flags=re.MULTILINE):
section = m.group("section").strip()
level = len(m.group("level")) - 1
result.append((section, level))
return result
if __name__ == "__main__":
file = os.path.join(os.path.dirname(__file__), r"..\DataSource\jawiki-country.json.gz")
article = q20.get_article_from_gzip_json(file, "日本")
result = (pick_sections(article))
for i in result:
print(i)