如何使用Python清理目录文本 精准提取目标条目标题

你描述的提取需求完全可以通过Python内置的re正则模块实现，不需要写嵌套逐字符遍历的逻辑，正则天生适合处理这类固定边界的字符串截取场景，代码简洁且识别准确率更高。

实现思路 #

• 逐行遍历目录文件内容，自动跳过不包含An act标识的分类大标题行
• 对有效法案行做双边界截取：
  • 左边界：以An act字符串为起点，丢弃其前面所有缩进、分类编号、前缀文字
  • 右边界：以第一个英文句点为截止点，丢弃后面所有连续省略号、页码等无关内容
• 提取完成后去除内容首尾空白，逐条输出即可

可直接复用的代码 #

import re

# 正则匹配规则
extract_pattern = re.compile(r'An act.*?(?=\.)')

# 替换为你的目录文件实际路径
with open("toc_source.txt", "r", encoding="utf-8") as f:
    for line in f:
        line = line.strip()
        match_result = extract_pattern.search(line)
        if match_result:
            clean_title = match_result.group()
            print(clean_title)

适配特殊场景的调整方案 #

如果遇到法案标题本身就包含单个句点的情况，上述规则会提前截断，你可以把右边界的匹配规则改成识别连续2个及以上的省略号点，调整后的正则规则如下，适配性更强：

extract_pattern = re.compile(r'An act.*?(?=\.{2,})')

内容的提问来源于stack exchange，提问作者fjturner