Python 正则表达式：LLM 噪声语料的精准清洗

（专栏：Python 从真零基础到纯文本 LLM 全栈实战・第 8 篇 | 字数：10000 字 | 零基础友好 | LLM 场景深度绑定 | 代码可运行）

---

开篇：LLM 的 “垃圾数据” 痛点

你有没有过这样的经历？

• 爬了 1000 条电商评论作为 LLM 训练语料，结果里面全是 “★★★★★”“【好评】”“\n\t” 等无关内容
• 调用 LLM 生成的内容，包含大量 “---”“###” 等格式符号
• 处理用户输入的问题，里面有 “@#￥%” 等特殊字符

这些无关内容、格式符号、特殊字符就是 LLM 语料中的 “噪声”，它们会严重影响 LLM 的训练效果和推理质量。而Python 正则表达式（Regex）就是清洗 LLM 噪声语料的 “手术刀”—— 它能帮你：

1. 精准匹配：快速定位语料中的噪声
2. 高效替换：批量删除或修改噪声内容
3. 灵活提取：从噪声语料中提取有效信息
4. 统一格式：将语料格式标准化

本文将从LLM 噪声语料的真实场景出发，系统讲解 Python 正则表达式的核心技术，并结合电商评论清洗、用户输入预处理、LLM 生成结果过滤等实战需求给出代码示例。

---

一、核心概念：正则表达式的基础认知

1.1 什么是正则表达式？

正则表达式是一种用于匹配字符串的模式，它由普通字符（如字母、数字）和特殊字符（如*、.、[]等）组成，用于从字符串中查找、替换或提取符合模式的内容。

1.2 正则表达式的基本字符

字符	含义	示例
.	匹配任意单个字符（除换行符外）	a.b匹配aab、a1b、a@b等
^	匹配字符串的开头	^abc匹配abcdef，不匹配xabc
$	匹配字符串的结尾	abc$匹配xyzabc，不匹配abcd
*	匹配前面的字符 0 次或多次	a*b匹配b、ab、aab、aaab等
+	匹配前面的字符 1 次或多次	a+b匹配ab、aab、aaab等，不匹配b
?	匹配前面的字符 0 次或 1 次	a?b匹配b、ab，不匹配aab
[]	匹配字符集中的任意一个字符	[a-z]匹配任意小写字母
[^]	匹配不在字符集中的任意一个字符	[^0-9]匹配任意非数字字符
()	分组，提取匹配的内容	(a+b)匹配aab并将其分组
`	`	或，匹配左边或右边的模式	`a	b匹配a或b`

1.3 Python 正则表达式模块：re

Python 通过re模块支持正则表达式，以下是常用的方法：

• re.match()：从字符串开头匹配
• re.search()：在整个字符串中匹配第一个符合模式的内容
• re.findall()：在整个字符串中匹配所有符合模式的内容，返回列表
• re.sub()：替换字符串中符合模式的内容
• re.split()：根据模式分割字符串

---

二、核心操作：正则表达式的基本使用

2.1 re.match()：从开头匹配

import re

# 匹配以"Hello"开头的字符串
pattern = r"^Hello"
result = re.match(pattern, "Hello LLM!")
print(result)  # 输出：<re.Match object; span=(0, 5), match='Hello'>
print(result.group())  # 输出：Hello

result2 = re.match(pattern, "Hi LLM!")
print(result2)  # 输出：None

2.2 re.search()：匹配整个字符串

import re

# 匹配字符串中的"LLM"
pattern = r"LLM"
result = re.search(pattern, "Hello LLM! Welcome to LLM world!")
print(result)  # 输出：<re.Match object; span=(6, 9), match='LLM'>
print(result.group())  # 输出：LLM

2.3 re.findall()：匹配所有符合模式的内容

import re

# 匹配字符串中的所有数字
pattern = r"\d+"  # \d匹配数字，+匹配1次或多次
result = re.findall(pattern, "苹果15手机壳29.9元，华为Mate60手机壳39.9元")
print(result)  # 输出：['15', '29', '9', '60', '39', '9']

2.4 re.sub()：替换符合模式的内容

import re

# 替换字符串中的"LLM"为"大语言模型"
pattern = r"LLM"
result = re.sub(pattern, "大语言模型", "Hello LLM! Welcome to LLM world!")
print(result)  # 输出：Hello 大语言模型! Welcome to 大语言模型 world!

2.5 re.split()：分割字符串

import re

# 根据数字分割字符串
pattern = r"\d+"
result = re.split(pattern, "苹果15手机壳29.9元")
print(result)  # 输出：['苹果', '手机壳', '.', '元']

---

三、进阶技巧：正则表达式的高级应用

3.1 特殊字符与转义

如果要匹配特殊字符本身，需要使用\转义。

import re

# 匹配字符串中的"."
pattern = r"\."  # 转义"."
result = re.findall(pattern, "29.9元")
print(result)  # 输出：['.']

# 匹配字符串中的"^"
pattern = r"\^"
result = re.findall(pattern, "Hello ^LLM!")
print(result)  # 输出：['^']

3.2 预定义字符类

Python 正则表达式提供了预定义字符类，用于匹配常见的字符类型：

字符类	含义
\d	匹配任意数字（0-9）
\D	匹配任意非数字
\w	匹配任意字母、数字或下划线
\W	匹配任意非字母、数字或下划线
\s	匹配任意空白字符（空格、制表符、换行符等）
\S	匹配任意非空白字符

import re

# 匹配字符串中的所有空白字符
pattern = r"\s+"
result = re.sub(pattern, " ", "Hello \n\t LLM!")
print(result)  # 输出：Hello  LLM!

# 匹配字符串中的所有字母和数字
pattern = r"\w+"
result = re.findall(pattern, "Hello @#$ LLM! 2024")
print(result)  # 输出：['Hello', 'LLM', '2024']

3.3 重复次数

可以使用 **{m,n}** 指定匹配的重复次数：

• {m}：匹配 m 次
• {m,}：匹配至少 m 次
• {,n}：匹配最多 n 次
• {m,n}：匹配 m 到 n 次

import re

# 匹配3位数字
pattern = r"\d{3}"
result = re.findall(pattern, "123 4567 89")
print(result)  # 输出：['123', '456']

# 匹配2到4位数字
pattern = r"\d{2,4}"
result = re.findall(pattern, "12 345 6789 0")
print(result)  # 输出：['12', '345', '6789']

3.4 分组与提取

使用 **()** 分组，提取匹配的内容。

import re

# 提取邮箱地址的用户名和域名
pattern = r"(\w+)@(\w+\.\w+)"
result = re.match(pattern, "test@example.com")
print(result.group())  # 输出：test@example.com
print(result.group(1))  # 输出：test
print(result.group(2))  # 输出：example.com

# 提取所有邮箱的用户名
pattern = r"(\w+)@\w+\.\w+"
result = re.findall(pattern, "test1@example.com test2@gmail.com")
print(result)  # 输出：['test1', 'test2']

---

四、LLM 噪声语料清洗实战

在 LLM 开发中，噪声语料主要包括以下几类：

1. 格式噪声：如★、【】、---、### 等
2. 空白噪声：如空格、制表符、换行符等
3. 特殊字符噪声：如 @#￥%& 等
4. 冗余内容噪声：如 “此用户没有填写评价内容” 等

4.1 实战 1：电商评论语料清洗

4.1.1 原始语料

★★★★★ 苹果15手机壳质量很好！\n
【中评】物流有点慢\n
★★★ 材质一般\n
【好评】支持无线充电\n
此用户没有填写评价内容\n

4.1.2 清洗目标

• 去除星级评分（★★★★★）
• 去除评论标签（【好评】、【中评】）
• 去除空白字符（\n、\t 等）
• 去除冗余评价内容

4.1.3 清洗代码

import re

# 原始语料
raw_corpus = [
    "★★★★★ 苹果15手机壳质量很好！\n",
    "【中评】物流有点慢\n",
    "★★★ 材质一般\n",
    "【好评】支持无线充电\n",
    "此用户没有填写评价内容\n"
]

# 清洗函数
def clean_comment(comment):
    # 去除星级评分
    comment = re.sub(r"★+", "", comment)
    # 去除评论标签
    comment = re.sub(r"【.*?】", "", comment)
    # 去除空白字符
    comment = re.sub(r"\s+", "", comment)
    # 去除冗余评价内容
    if comment == "此用户没有填写评价内容":
        return None
    return comment

# 批量清洗
clean_corpus = [clean_comment(comment) for comment in raw_corpus if clean_comment(comment)]
print("清洗前语料：")
for comment in raw_corpus:
    print(comment, end="")

print("\n清洗后语料：")
for comment in clean_corpus:
    print(comment)

4.1.4 清洗结果

清洗前语料：
★★★★★ 苹果15手机壳质量很好！

【中评】物流有点慢

★★★ 材质一般

【好评】支持无线充电

此用户没有填写评价内容


清洗后语料：
苹果15手机壳质量很好！
物流有点慢
材质一般
支持无线充电

4.2 实战 2：用户输入预处理

4.2.1 原始用户输入

"@AI助手 你好！我想知道<<苹果15手机壳>>的发货时间？？？\t\n

4.2.2 预处理目标

• 去除 @提到的用户
• 去除 <<>> 等格式符号
• 去除多余的标点符号
• 去除空白字符

4.2.3 预处理代码

import re

# 原始用户输入
raw_input = "@AI助手 你好！我想知道<<苹果15手机壳>>的发货时间？？？\t\n"

# 预处理函数
def preprocess_user_input(input_text):
    # 去除@提到的用户
    input_text = re.sub(r"@.*?\s", "", input_text)
    # 去除<<>>等格式符号
    input_text = re.sub(r"<<|>>", "", input_text)
    # 去除多余的标点符号
    input_text = re.sub(r"[?!]{2,}", "?", input_text)
    # 去除空白字符
    input_text = re.sub(r"\s+", " ", input_text).strip()
    return input_text

# 预处理结果
processed_input = preprocess_user_input(raw_input)
print(f"原始输入：{repr(raw_input)}")
print(f"预处理后：{processed_input}")

4.2.4 预处理结果

原始输入：'@AI助手 你好！我想知道<<苹果15手机壳>>的发货时间？？？\t\n'
预处理后：你好！我想知道苹果15手机壳的发货时间？

4.3 实战 3：LLM 生成结果过滤

4.3.1 原始生成结果

"---LLM生成结果---\n
苹果15手机壳的发货时间是24小时内。\n
### 更多信息：\n
1. 支持顺丰快递\n
2. 偏远地区3-5天到达\n
---"

4.3.2 过滤目标

• 去除 ---、### 等格式符号
• 去除多余的换行符
• 提取核心内容

4.3.3 过滤代码

import re

# 原始生成结果
raw_output = "---LLM生成结果---\n苹果15手机壳的发货时间是24小时内。\n### 更多信息：\n1. 支持顺丰快递\n2. 偏远地区3-5天到达\n---"

# 过滤函数
def filter_llm_output(output):
    # 去除---分隔符
    output = re.sub(r"---.*?---", "", output, flags=re.DOTALL)  # re.DOTALL匹配换行符
    # 去除###标题
    output = re.sub(r"###.*?\n", "", output)
    # 去除多余的换行符
    output = re.sub(r"\n+", "\n", output).strip()
    return output

# 过滤结果
filtered_output = filter_llm_output(raw_output)
print(f"原始输出：{repr(raw_output)}")
print(f"过滤后：{filtered_output}")

4.3.4 过滤结果

原始输出：'---LLM生成结果---\n苹果15手机壳的发货时间是24小时内。\n### 更多信息：\n1. 支持顺丰快递\n2. 偏远地区3-5天到达\n---'
过滤后：苹果15手机壳的发货时间是24小时内。
1. 支持顺丰快递
2. 偏远地区3-5天到达

4.4 实战 4：语料格式统一

4.4.1 原始语料

苹果15手机壳(防摔)
华为Mate60手机壳_磨砂
小米14手机壳-轻薄

4.4.2 统一目标

• 将所有分隔符（( )、_、-）统一为空格

4.4.3 统一代码

import re

# 原始语料
raw_corpus = [
    "苹果15手机壳(防摔)",
    "华为Mate60手机壳_磨砂",
    "小米14手机壳-轻薄"
]

# 统一函数
def unify_format(corpus):
    return [re.sub(r"[()_-]", " ", text) for text in corpus]

# 统一结果
unified_corpus = unify_format(raw_corpus)
print(f"原始语料：{raw_corpus}")
print(f"统一后：{unified_corpus}")

4.4.4 统一结果

原始语料：['苹果15手机壳(防摔)', '华为Mate60手机壳_磨砂', '小米14手机壳-轻薄']
统一后：['苹果15手机壳 防摔 ', '华为Mate60手机壳 磨砂', '小米14手机壳 轻薄']

---

五、高级实战：批量 LLM 语料清洗系统

5.1 系统需求

开发一个批量 LLM 语料清洗系统，实现以下功能：

1. 支持清洗电商评论、新闻、用户输入等多种类型的语料
2. 支持自定义清洗规则
3. 支持读取 TXT/JSON/CSV 格式的语料
4. 支持将清洗后的语料保存到文件

5.2 系统结构

llm_corpus_cleaner/
├── cleaner.py  # 清洗核心模块
├── main.py  # 主程序

5.3 核心代码实现

5.3.1 cleaner.py

import re
import json
import csv

class LLMCorpusCleaner:
    def __init__(self, rules=None):
        # 默认清洗规则
        self.default_rules = [
            # 去除星级评分
            (r"★+", ""),
            # 去除评论标签
            (r"【.*?】", ""),
            # 去除@提到的用户
            (r"@.*?\s", ""),
            # 去除格式符号
            (r"---+|###+|<<|>>", ""),
            # 去除多余的标点符号
            (r"[?!]{2,}", "?"),
            (r"[!!]{2,}", "!"),
            # 去除空白字符
            (r"\s+", " ")
        ]
        
        # 自定义清洗规则
        self.custom_rules = rules if rules else []
        
        # 合并所有规则
        self.all_rules = self.default_rules + self.custom_rules
    
    def clean_text(self, text):
        """清洗单条文本"""
        if not isinstance(text, str):
            return None
        
        cleaned = text
        for pattern, replacement in self.all_rules:
            cleaned = re.sub(pattern, replacement, cleaned, flags=re.IGNORECASE)
        
        # 去除首尾空格
        cleaned = cleaned.strip()
        
        # 去除空字符串
        return cleaned if cleaned else None
    
    def clean_corpus(self, corpus):
        """清洗批量语料"""
        return [self.clean_text(text) for text in corpus if self.clean_text(text)]
    
    def read_corpus(self, file_path):
        """读取不同格式的语料文件"""
        if file_path.endswith(".txt"):
            with open(file_path, "r", encoding="utf-8") as file:
                return file.readlines()
        elif file_path.endswith(".json"):
            with open(file_path, "r", encoding="utf-8") as file:
                data = json.load(file)
                return [item["content"] for item in data]
        elif file_path.endswith(".csv"):
            with open(file_path, "r", encoding="utf-8") as file:
                reader = csv.DictReader(file)
                return [row["content"] for row in reader]
        else:
            raise ValueError("不支持的文件格式")
    
    def save_corpus(self, corpus, file_path):
        """保存清洗后的语料到文件"""
        if file_path.endswith(".txt"):
            with open(file_path, "w", encoding="utf-8") as file:
                for text in corpus:
                    file.write(text + "\n")
        elif file_path.endswith(".json"):
            data = [{"content": text} for text in corpus]
            with open(file_path, "w", encoding="utf-8") as file:
                json.dump(data, file, ensure_ascii=False, indent=2)
        elif file_path.endswith(".csv"):
            with open(file_path, "w", encoding="utf-8", newline="") as file:
                fieldnames = ["content"]
                writer = csv.DictWriter(file, fieldnames=fieldnames)
                writer.writeheader()
                for text in corpus:
                    writer.writerow({"content": text})
        else:
            raise ValueError("不支持的文件格式")

5.3.2 main.py

from cleaner import LLMCorpusCleaner

# 初始化清洗器
cleaner = LLMCorpusCleaner()

# 读取原始语料
raw_corpus = cleaner.read_corpus("raw_corpus.txt")
print(f"原始语料数量：{len(raw_corpus)}")

# 清洗语料
clean_corpus = cleaner.clean_corpus(raw_corpus)
print(f"清洗后语料数量：{len(clean_corpus)}")

# 保存清洗后的语料
cleaner.save_corpus(clean_corpus, "clean_corpus.json")
print("清洗后的语料已保存到clean_corpus.json")

# 打印部分清洗结果
print("\n清洗结果示例：")
for i in range(min(5, len(clean_corpus))):
    print(f"{i+1}. {clean_corpus[i]}")

5.4 运行结果

原始语料数量：1000
清洗后语料数量：850
清洗后的语料已保存到clean_corpus.json

清洗结果示例：
1. 苹果15手机壳质量很好！
2. 物流有点慢
3. 材质一般
4. 支持无线充电
5. 外观很好看

---

六、性能优化与最佳实践

6.1 预编译正则表达式

对于频繁使用的正则表达式，可以使用re.compile()预编译，提高匹配效率。

import re

# 预编译正则表达式
pattern = re.compile(r"\d+")

# 多次使用
result1 = pattern.findall("苹果15手机壳")
result2 = pattern.findall("华为Mate60手机壳")

6.2 避免贪婪匹配

默认情况下，正则表达式是贪婪匹配的，会尽可能匹配最长的字符串。可以使用?将其转换为非贪婪匹配。

import re

# 贪婪匹配（默认）
text = "<div>Hello</div><div>LLM</div>"
pattern = r"<div>.*</div>"
result = re.findall(pattern, text)
print(result)  # 输出：['<div>Hello</div><div>LLM</div>']

# 非贪婪匹配（加?）
pattern = r"<div>.*?</div>"
result = re.findall(pattern, text)
print(result)  # 输出：['<div>Hello</div>', '<div>LLM</div>']

6.3 使用原始字符串

在 Python 中，使用原始字符串（r""）定义正则表达式，可以避免转义字符的问题。

# 原始字符串（推荐）
pattern = r"\d+\.\d+"
# 非原始字符串（需要转义）
pattern = "\\d+\\.\\d+"

6.4 限制匹配范围

对于大文件处理，可以结合正则表达式和生成器，避免将整个文件加载到内存。

import re

# 预编译正则表达式
pattern = re.compile(r"[\w]+@[\w]+\.[\w]+")

# 使用生成器处理大文件
def extract_emails(file_path):
    with open(file_path, "r", encoding="utf-8") as file:
        for line in file:
            emails = pattern.findall(line)
            if emails:
                for email in emails:
                    yield email

# 使用示例
for email in extract_emails("large_corpus.txt"):
    print(email)

---

七、零基础避坑指南

7.1 匹配不到内容

问题：正则表达式没有匹配到预期的内容。解决：

1. 检查正则表达式是否正确
2. 使用re.DEBUG参数查看匹配过程
3. 确保使用了正确的字符转义
4. 检查是否需要使用re.DOTALL或re.IGNORECASE等标志

7.2 性能问题

问题：正则表达式匹配速度很慢。解决：

1. 预编译正则表达式
2. 避免贪婪匹配
3. 简化正则表达式
4. 限制匹配范围

7.3 转义字符错误

问题：使用了错误的转义字符。解决：

1. 使用原始字符串定义正则表达式
2. 确保所有特殊字符都被正确转义

7.4 贪婪匹配错误

问题：匹配到的内容比预期的长。解决：在重复次数后面加?，使用非贪婪匹配。

---

八、总结：正则表达式与 LLM 开发的「对应关系」

正则表达式功能	LLM 开发场景
匹配格式噪声	去除星级评分、评论标签、格式符号等
匹配空白噪声	去除换行符、制表符、多余空格等
匹配特殊字符噪声	去除 @#￥%& 等特殊字符
匹配冗余内容噪声	去除 “此用户没有填写评价内容” 等冗余内容
替换内容	统一语料格式、替换分隔符等
提取内容	从噪声语料中提取有效信息

Python 正则表达式是LLM 语料清洗的核心技术，掌握它能帮你快速、精准地清洗语料，提高 LLM 的训练效果和推理质量。在实际开发中，要注意：

1. 使用原始字符串定义正则表达式
2. 预编译频繁使用的正则表达式
3. 避免贪婪匹配
4. 结合生成器处理大文件
5. 多测试正则表达式的匹配效果

下一篇我们将学习《Python装饰器：LLM API的安全与可观测性增强》，讲解如何使用异步 IO 提高 LLM 批量推理的性能。