如何用Python正则删除短行（移除纯文本中的标题与表格数据）

架构老林

2026-8-12

解决方案

问题分析

你之前的正则(?<=\n)\d{1,10}(?=\n)失败的核心原因：

仅匹配纯数字（1-10位），但表格数字行通常包含小数点、千分位逗号、正负号或前后空白
依赖单一的\n换行符，实际文件可能用\r\n（Windows）或\r（旧Mac）作为换行标识
未考虑数字行前后存在的空白字符

优化正则方案

针对不同类型的待移除内容，分别编写精准正则：

1. 匹配表格数字行

覆盖带正负号、千分位、小数的数字行，允许前后空白：

^\s*[-+]?\d{1,3}(?:,\d{3})*(?:\.\d+)?\s*$

^\s*：匹配行首任意空白
[-+]?：可选的正负号
\d{1,3}(?:,\d{3})*：匹配支持千分位的整数部分
(?:\.\d+)?：可选的小数部分
\s*$：匹配行尾任意空白

2. 匹配表格日期行（以连续年份为例）

针对类似2023 2022 2021的日期行：

^\s*(?:\d{4}\s+){2,}\d{4}\s*$

如果是月份+年份格式（如Dec 2023 Nov 2022），可调整为：

^\s*(?:(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)\s+\d{4}\s+){2,}(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)\s+\d{4}\s*$

3. 匹配财务类标题行

针对类似Diluted earnings per share (in EUR)的标题：

^\s*[A-Za-z\s()]+(?:in\s+[A-Z]{3})?\s*$

如果标题是全大写格式，可简化为：

^\s*[A-Z\s()]+(?:IN\s+[A-Z]{3})?\s*$

批量替换操作示例（Python）

将上述正则组合，批量移除目标行并清理多余空行：

import re

# 读取原始文件
with open("input.txt", "r", encoding="utf-8") as f:
    content = f.read()

# 组合所有待移除行的正则，开启多行模式
pattern = re.compile(
    r"^\s*[-+]?\d{1,3}(?:,\d{3})*(?:\.\d+)?\s*$|"
    r"^\s*(?:\d{4}\s+){2,}\d{4}\s*$|"
    r"^\s*[A-Za-z\s()]+(?:in\s+[A-Z]{3})?\s*$",
    re.MULTILINE
)

# 移除目标行并清理多余空行
clean_content = pattern.sub("", content)
clean_content = re.sub(r"\n{2,}", "\n\n", clean_content).strip()

# 写入处理后的文件
with open("output.txt", "w", encoding="utf-8") as f:
    f.write(clean_content)