如何清理文本：移除指定行之前的内容（正则及替代方案咨询）

原代码问题分析 #

你写的代码用re.sub直接把标题替换为空，完全不符合需求（需求是保留标题及之后的内容）；而且没匹配到标题大概率是因为标题前后有空白字符、换行，或者文件编码问题导致读取内容和预期不一致。

一、正则表达式实现（支持跨行匹配） #

如果标题可能被拆分成多行，需要开启正则的跨行匹配模式，核心思路是匹配标题之前的所有内容（包括换行），替换为空以保留标题及后续内容。

import re

filename, title = 'MacBeth.txt', 'The Tragedie of Macbeth'
# 构建正则：非贪婪匹配开头到标题的所有内容，允许跨行、忽略大小写（可选）
pattern = re.compile(r'^.*?' + re.escape(title), re.DOTALL | re.IGNORECASE)

with open(filename, 'r', encoding='utf-8') as file:
    content = file.read()

# 替换后保留标题及后续内容
result = pattern.sub(title, content)

with open('removed_intro_file', 'w', encoding='utf-8') as output:
    output.write(result)
    print(result)

关键参数说明：

• re.DOTALL：让.匹配包括换行在内的所有字符，实现跨行匹配
• re.escape(title)：转义标题中的特殊字符，避免被当作正则语法解析
• ^.*?：非贪婪匹配，确保只匹配到第一次出现的标题为止

如果标题一定在单独一行，可以用更精确的模式：

pattern = re.compile(r'^.*?\n' + re.escape(title) + r'\n?', re.DOTALL)
result = pattern.sub(f'{title}\n', content)

二、用指针标记位置的方法 #

直接通过字符串索引定位标题位置，截取目标内容，逻辑更直观：

filename, title = 'MacBeth.txt', 'The Tragedie of Macbeth'

with open(filename, 'r', encoding='utf-8') as file:
    content = file.read()

title_start = content.find(title)
if title_start != -1:
    # 保留标题及之后的内容；若要去掉标题行，用 content[title_start + len(title):]
    result = content[title_start:]
else:
    print("未找到目标标题")
    result = content  # 未匹配时保留原内容

with open('removed_intro_file', 'w', encoding='utf-8') as output:
    output.write(result)
    print(result)

三、无需正则的最优解决方案 #

对于大文件或追求简单逻辑的场景，按行读取并筛选是更优选择，内存占用更低：

filename, title = 'MacBeth.txt', 'The Tragedie of Macbeth'
found_title = False

with open(filename, 'r', encoding='utf-8') as input_file, open('removed_intro_file', 'w', encoding='utf-8') as output_file:
    for line in input_file:
        if not found_title:
            # 若要求标题整行匹配，改用 if line.strip() == title.strip():
            if title in line:
                found_title = True
                output_file.write(line)
        else:
            output_file.write(line)

这个方法的优势：

• 逐行读取，适合超大文件，不会占用过多内存
• 逻辑简单，容易调试和修改（比如调整匹配规则）

内容的提问来源于stack exchange，提问作者user20693776