如何移除文本文件中特定首尾格式的重复片段

处理多个TXT文件时遇到正则匹配逻辑错误：

• 文件内容格式：[TEXT1]File. Title:[TEXT2]____________ [TEXT3]File. Title:[TEXT4]____________[TEXT5]，其中TEXT可包含单词、换行符\n、制表符\t、数字、空格、标点
• 需求：移除所有以File. Title:开头、以____________结尾的片段，最终保留[TEXT1][TEXT3][TEXT5]
• 实际示例文本：xxxxx \n\t, \tFile. Title:\tVersion 2.0\t\n____________
• 当前问题：现有正则会错误匹配第一个File. Title到最后一个目标片段的全部内容，无法精准移除单个独立片段

错误代码 #

text = re.sub('File. Title:\s.*\sVersion 2.0','',text, flags = re.DOTALL)
text = text.replace("____________", "")

问题根源是正则的贪婪匹配：.*在re.DOTALL模式下会匹配尽可能多的内容，导致跨片段抓取。改成非贪婪匹配并直接精准定位目标片段即可解决：

修改后的代码：

import re

# 非贪婪匹配单个File. Title:到____________的完整片段
text = re.sub(r'File\. Title:.*?____________', '', text, flags=re.DOTALL)

关键说明 #

• File\. Title:：转义.，因为正则中.默认匹配任意字符，这里要匹配字面量的点
• .*?：非贪婪匹配模式，匹配到第一个____________就停止，不会跨片段抓取内容
• re.DOTALL：让.可以匹配换行符，确保包含换行、制表符的TEXT2/TEXT4能被正确覆盖
• 无需单独调用replace，正则已将____________包含在匹配范围内直接移除

这样就能精准移除每个独立的目标片段，保留你需要的TEXT1、TEXT3、TEXT5内容。

内容的提问来源于stack exchange，提问作者Fiona Fei