通用正则清理函数采用分层设计：基础层统一空白与编码残留；业务层按需插拔去广告、删联系方式、水印过滤等规则；安全层通过re.escape、re.subn和dry_run保障防误删与可追溯；扩展点支持pre/postprocess钩子、context感知及结构化输出removed_spans。
写一个通用正则清理函数，核心不是堆砌规则，而是分层设计：先做安全基础清洗（如空白、编码残留），再按需叠加业务规则（如去广告、删水印），最后留出扩展口子。关键在可配置、易调试、不误伤。
基础层：统一空白与编码残留
几乎所有脏文本都逃不开换行混乱、多余空格、HTML实体或Unicode控制符。这部分必须默认启用，且顺序固定：
- 用
\u200b-\u200f等匹配常见不可见字符，统一替换成普通空格 - 把连续空白（含制表、换行、全角空格）压缩为单个半角空格，再 trim 首尾
- 解码常见 HTML 实体（如
&→&，→ <code>），但跳过已解码内容，避免重复处理
业务层：按场景插拔式规则
把高频需求拆成独立规则项，每个规则带开关和优先级，比如：
-
去广告标记：匹配
【广告】|广告时间|^\s*[-—★☆]+\s*$这类明显标识，用re.MULTILINE模式逐行扫 - 删联系方式：区分宽松模式（删所有手机号/邮箱）和保守模式（只删带“微信”“电话”字样的整行）
- 水印过滤：针对“© 2024 XXX官网”“本文转载自XXX”等固定句式，支持模糊匹配（允许中间有空格或标点变形）
安全层：防误删与可追溯
正则一跑就删错，往往因为贪婪匹配或边界不清。必须加三道保险：
- 所有替换前加
re.escape()处理用户传入的关键词，防止正则元字符注入 - 用
re.subn()而非re.sub()，返回（结果, 替换次数），便于日志记录或阈值拦截（如单次删超5处触发告警） - 提供
dry_run=True开关，只返回将被删的位置和原文片段，不实际修改
扩展点：预留钩子与上下文感知
纯正则搞不定时（比如“第一页”要删，“第二页”保留），就得让函数能接入外部逻辑：
- 支持传入
preprocess和postprocess函数，在正则前后做字符串预处理或语义修正 - 给每条规则加
context参数，例如水印规则可指定“只在段首30字符内生效”，避免误杀正文 - 输出结构化结果：不仅返回干净文本，还附带
removed_spans: [(start, end, reason), ...]，方便审计或回滚
