如何提取小说正文，排除章节标题与卷首语（epigraphs）？

方法一：Python 自定义脚本 #

这是适配性最强的方案，完全贴合你的章节结构：

• 核心逻辑：逐行读取文本，先跳过匹配• CHAPTER [0-9]+ •格式的章节标题行，再跳过后续缩进的引用块（引号行和署名行），直到遇到非缩进的正文内容后开始保留。
• 示例代码：

import re

def extract_clean_content(input_path, output_path):
    with open(input_path, 'r', encoding='utf-8') as f:
        lines = f.readlines()
    
    cleaned_lines = []
    skip_section = False
    skip_epigraph = False

    for line in lines:
        stripped = line.strip()
        # 匹配章节标题，开启跳过模式
        if re.match(r'^• CHAPTER \d+ •$', stripped):
            skip_section = True
            skip_epigraph = True
            continue
        # 跳过标题后的空行
        if skip_section and not stripped:
            continue
        # 跳过缩进的引用内容
        if skip_epigraph:
            if line.startswith(('    ', '         ')):
                continue
            else:
                skip_section = False
                skip_epigraph = False
                cleaned_lines.append(line)
        else:
            cleaned_lines.append(line)
    
    with open(output_path, 'w', encoding='utf-8') as f:
        f.writelines(cleaned_lines)

# 调用示例
extract_clean_content('raw_novel.txt', 'cleaned_novel.txt')

• 用法：将原始小说文本保存为raw_novel.txt，运行脚本后会生成仅含正文的cleaned_novel.txt。

方法二：命令行工具（sed） #

适合熟悉终端操作的用户，通过正则匹配批量过滤内容：

sed -E '/^• CHAPTER [0-9]+ •$/,/^[^ ]/{/^• CHAPTER [0-9]+ •$/d;/^    "/d;/^         -/d;/^$/d}' raw_novel.txt > cleaned_novel.txt

• 逻辑说明：匹配从章节标题到第一个非缩进行的区间，删除标题行、缩进的引号行、署名行及空行，保留后续正文。

方法三：文本编辑器正则替换（VS Code/Subime Text） #

无需编程，用编辑器自带功能批量清理：

1. 打开小说文本，调出替换面板（VS Code按Ctrl+H，Sublime按Ctrl+Shift+H）
2. 勾选「正则表达式」选项
3. 查找内容输入：

^• CHAPTER \d+ •$\n(\n|    ".*"\n|         -.*\n)+

4. 替换内容留空，点击「全部替换」

• 逻辑：匹配章节标题及后续的空行、引用行、署名行，一次性替换为空，仅保留正文。

内容的提问来源于stack exchange，提问作者greenc