如何找回Python正则re.sub移除的文本？实现移除指定内容并获取被删句

原代码存在的问题 #

你写的正则NOTE\..*?(?=\.)有两个明显问题：

• 匹配范围只到下一个句号之前，替换后会残留原句子的句号，导致文本出现多余的.
• 没有捕获被移除的句子内容，无法生成unique_sentences_removed列表

正确实现方案 #

要同时完成「移除目标内容」和「提取被移除句子」两个需求，分两步处理：

1. 用正则匹配所有NOTE.开头的完整句子，捕获其中的后续文本
2. 替换掉所有匹配到的目标内容，再清理文本格式

完整代码

import re

text = "NOTE. This is the subsequent sentence to be removed. The weather is good. NOTE. This is another subsequent sentence to be removed. The sky is blue. Note that it's a dummy text."

# 正则模式：匹配"NOTE. "开头，直到结尾句号的完整内容，捕获后续句子部分
pattern = r"NOTE\.\s*(.*?)\."

# 提取所有被移除的句子（补回结尾的句号）
unique_sentences_removed = [f"{sentence}." for sentence in re.findall(pattern, text, re.DOTALL)]

# 移除所有匹配的内容，再清理多余空格和残留标点
clean_text = re.sub(pattern, "", text).strip()
# 合并连续空格和多余句号
clean_text = re.sub(r"\s+", " ", clean_text)
clean_text = re.sub(r"\.\s*\.", ".", clean_text)

# 输出结果
print("clean_text：")
print(clean_text)
print("\nunique_sentences_removed：")
print(unique_sentences_removed)

执行结果

• clean_text：

  The weather is good. The sky is blue. Note that it's a dummy text.
  

• unique_sentences_removed：

  ["This is the subsequent sentence to be removed.", "This is another subsequent sentence to be removed."]
  

关键说明 #

• 正则r"NOTE\.\s*(.*?)\."：
  • NOTE\.精确匹配大写的NOTE.
  • \s*匹配NOTE.后面的任意空格
  • (.*?)非贪婪捕获后续文本，直到遇到下一个句号
  • re.DOTALL确保.能匹配换行符（如果你的文本包含换行场景）
• 后续的两次re.sub是为了清理替换后可能出现的连续空格或重复句号，保证文本格式整洁

内容的提问来源于stack exchange，提问作者Fluxy