如何使用Python正则移除独立数字等字符 保留字符串内嵌数字

问题背景 #

做文本清洗时需要实现以下规则：

• 移除指定单词（示例中为ORIGIN）
• 移除所有空白字符
• 移除特殊字符
• 移除独立存在的数字，保留与单词/字符串结合的内嵌数字

示例原始文本：

ORIGIN
    1 malwmrllp1 lallalwgpd paaafvnghl cgshlvealy lvcgergffy tpktrreaed
    61 lqvgqvelgg gpgagslqpl alegslqkrg iveqcctsic slyqlenycn

//

原有错误实现使用\W+匹配规则时，会把malwmrllp1中内嵌的数字1一并移除，错误代码：

import re

text_file = open('mytext.txt').read()
new_txt = re.sub('[\\b\\d+\\b\s*$+\sORIGIN$\W+]', '', text_file)

print(new_txt, len(new_txt))

错误运行结果长度为109，丢失了内嵌数字：

malwmrllplallalwgpdpaaafvnghlcgshlvealylvcgergffytpktrreaedlqvgqvelgggpgagslqplalegslqkrgiveqcctsicslyqlenycn 109

预期输出为长度110、保留内嵌数字1的字符串：
malwmrllp1lallalwgpdpaaafvnghlcgshlvealylvcgergffytpktrreaedlqvgqvelgggpgagslqplalegslqkrgiveqcctsicslyqlenycn

正确实现代码 #

核心逻辑是通过单词边界\b区分独立数字和内嵌数字，分步骤替换需要移除的内容，避免误删内嵌在字符串中的数字：

import re

with open('mytext.txt', 'r') as f:
    text_content = f.read()

# 第一步：移除指定固定词ORIGIN
cleaned = re.sub(r'ORIGIN', '', text_content)
# 第二步：移除前后为单词边界的独立数字，不碰和字母相连的内嵌数字
cleaned = re.sub(r'\b\d+\b', '', cleaned)
# 第三步：移除所有非字母、非数字的字符（包含空白、特殊符号如//等）
cleaned = re.sub(r'[^a-zA-Z0-9]', '', cleaned)

print(cleaned, len(cleaned))

运行代码后输出结果长度为110，完全符合预期。

原理说明：单词边界\b会匹配单词字符（字母、数字、下划线）和非单词字符的交界位置，\b\d+\b只会匹配前后都没有字母/数字依附的独立数字，和字母连在一起的内嵌数字不会触发该规则匹配，因此会被完整保留。

内容的提问来源于stack exchange，提问作者mickeywise