如何使用Python re库删除以字母或数字开头且以"PM"结尾的子串

实现逻辑 #

• 目标乱码符合「以英文字母/数字开头、以PM结尾」的特征，使用非贪婪匹配规则避免误吞正常内容。
• 直接调用re.sub方法将匹配到的乱码子串替换为空字符串即可完成清理。

正则表达式说明 #

使用的正则规则为 r'[a-zA-Z0-9].*?PM'，各部分含义：

• [a-zA-Z0-9]：匹配任意大小写英文字母或阿拉伯数字，对应乱码的起始特征
• .*?：非贪婪匹配任意数量的字符（默认不匹配换行符），确保匹配到最近的一个PM就停止，不会过度匹配
• PM：匹配乱码的固定结尾标识

完整代码示例 #

import re

def remove_pm_garbage(text: str) -> str:
    pattern = re.compile(r'[a-zA-Z0-9].*?PM')
    return pattern.sub('', text)

# 测试用例
raw_text = """iSD08LXjpg2021330401PM大陸不可以給60歲以上人士打香港專找60歲以上人士去打，做白老鼠

日本與美國比還是很不錯的USA死亡才多呢日媒體報道jpg2021321056PM"""

processed_text = remove_pm_garbage(raw_text)
print(processed_text)

补充说明 #

如果你的乱码存在跨换行的场景，可以在编译正则时添加re.DOTALL参数，修改为：
pattern = re.compile(r'[a-zA-Z0-9].*?PM', re.DOTALL)
此时.会匹配换行符，可处理跨多行的乱码。

内容的提问来源于stack exchange，提问作者Haorui He