定位的话就和我之前说的那个“白名单”原理一致，把汉字和常用标点拉个白名单，检索后就能定位到那些地方有乱码（我设置的是连续三个非白名单符号，其实还是容易缺漏，因为这些乱码中途会掺杂生僻汉字规避了检索，像更准确得把这些容易出现的生僻字额外拉一个“黑名单”）
像这种“段落前或段落后经常出现的特殊字”则是word文档左手倒右手就行（本质上是考验数学逻辑处理能力）。将文本导入word文档后使用自带的替换能力（Ctrl+G打开替换界面），段落的特殊字符是<P>，映照的便是处理段落前特殊字就是<P>^?"（格式就是段落+任意字符+前引号，^?是任意字符），替换为<P>"（这样任意字符就没了）
段落后经常出现的特殊字同理，只是也有可能会是句号感叹号问号，格式就是。^?<P>替换为。<P>（这样有时候会误伤后引号或后括号，介意的话就得用代码解决了）
# 规则1：段落结尾 标点(。？！) + 单个垃圾字符 + 换行 → 删除垃圾字符
text = re.sub(r'([。？！])[^\n“”]\n', r'\1\n', text)
# 规则2：后引号"”" 后面紧跟的垃圾字符 → 删除
text = re.sub(r'”[^\n]', '”', text)
# 规则3：段落开头 单个垃圾字符 + 前引号"“" → 删除垃圾字符
text = re.sub(r'^[^\n“”]“', '“', text, flags=re.MULTILINE)
# 规则4：兜底清理孤立乱码
text = re.sub(r'^[^\n“”。？！，、；：（）【】《》…—0-9]$', '', text, flags=re.MULTILINE)
我分享的网盘文件夹中有两份成品代码，核心功能就包含在里面。（识别功能在“输出报告”中，并不全面因为生僻字阻拦了我的检索，还需要完善，） |
发表于 
谢谢大佬 毕业后真是把代码忘的差不多了 