字符串与文本处理

文本是一排小方块

Python 字符串就是放在引号中的文本，例如 "Python"、"こんにちは" 或 "👍🏽"。想象一下，它的各个组成部分排成一行。Python 把这些部分称为 Unicode 码点。

Python 从 0 开始计算位置。len() 计算的是码点数量，而不是字节数，也不一定等于人眼所看到的符号数量。

word = "Python"

print(len(word))
print(word[0])
print(word[-1])
print(word[1:4])

6
P
n
yth

word[0] 是第一个方块，word[-1] 是最后一个。切片包含起始位置，但会在结束位置之前停止，因此 [1:4] 会取得位置 1、2 和 3。

索引、切片、拆分与连接

使用单个索引时，对应的位置必须存在。word[99] 会引发 IndexError。切片则更宽容：word[:99] 只会返回 word 的全部内容。空字符串没有第一个或最后一个位置，因此在使用索引之前要先检查它：

name = "".strip()

if name:
    print(name[0])
else:
    print("No first character")

split() 把文本拆成一个列表。join() 使用选定的分隔符，把多个字符串片段连接起来：

messy = "  read   code\tplay  "
pieces = messy.split()

print(pieces)
print(" ".join(pieces))

['read', 'code', 'play']
read code play

使用 split(",") 时，逗号就是确切的分隔符。两个紧挨着的逗号会产生一个空片段。另外，传给 join() 的每一项都必须是字符串。

清理方法会返回新字符串

字符串是不可变的：Python 不能替换现有字符串中的某一个方块。下面的代码会故意触发错误：

word = "python"
word[0] = "P"

它会引发 TypeError。应当改为构建一个新字符串：

word = "python"
title = "P" + word[1:]

print(word)
print(title)

python
Python

字符串方法也遵循同样的规则。strip() 会删除两端的空白，replace() 会替换完全匹配的片段，而 casefold() 会生成适合 Unicode 文本搜索的不区分大小写键。每个方法都会返回新文本。

raw = "  Python makes TEXT  "
clean = raw.strip().replace("makes", "cleans")
searchable = clean.casefold()

print(clean)
print("python" in searchable)
print(searchable.count("text"))
print(searchable.find("cleans"))

Python cleans TEXT
True
1
7

如果想问“它在里面吗？”，就使用 in；如果想问“有多少个互不重叠的匹配？”，就使用 count()；如果想知道第一次出现的位置，就使用 find()（返回 -1 表示没有找到）。绝对不要使用 if text.find(term):：位于位置 0 的匹配会被当作假，而表示未找到的 -1 反而会被当作真。

一个图形可以使用多个码点

两个字符串看起来可能完全相同，却由不同的码点序列组成。Python 标准库中的 unicodedata 模块可以把规范等价的文本转换成相同的 Unicode 形式。

import unicodedata

one = "café"
two = "cafe\u0301"

print(one == two)
print(len(one), len(two))
print(one == unicodedata.normalize("NFC", two))
print(len("👍🏽"))

False
4 5
True
2

这个表情符号看起来像一个符号，但实际上使用了两个码点。基本索引操作可能会把它拆开。因此，字符串位置既不是字节位置，也不能可靠地表示“可见字符”的边界。

小项目：学习笔记清理器

创建 note_cleaner.py。这个完整程序只使用标准库。它会规范化 Unicode、合并空白，并统计一个非空关键词出现的次数，同时不会改变原始字符串。

import unicodedata


def search_key(text):
    return unicodedata.normalize("NFC", text).strip().casefold()


def clean_note(text):
    normalized = unicodedata.normalize("NFC", text)
    return " ".join(normalized.split())


raw_note = "  CAFÉ   practice, then cafe\u0301 review.  "
raw_keyword = " Café "

note = clean_note(raw_note)
keyword = search_key(raw_keyword)
matches = search_key(note).count(keyword)

print(f"Original: <{raw_note}>")
print(f"Clean: <{note}>")
print(f"Matches: {matches}")
print(f"Original unchanged: {raw_note.startswith('  ')}")

运行 python3 note_cleaner.py 并检查：

Original: <  CAFÉ   practice, then café review.  >
Clean: <CAFÉ practice, then café review.>
Matches: 2
Original unchanged: True

边界规则：关键词不能为空。text.count("") 会统计字符之间的空隙，并返回 len(text) + 1，这对于统计学习词汇没有实际意义。

三个小任务

1. 安全提取首尾字符。 去除输入单词两端的空白。仅当它不为空时，才打印它的第一个和最后一个码点。
2. 简短预览。 使用 text[:limit] 编写 preview(text, limit)。分别测试 0、3，以及一个大于文本长度的限制值。
3. 搜索侦探。 查找一个位于位置 0 的词，以及一个不存在的词。正确使用 in，或者将 find() 的结果与 -1 比较。

做到这些，你就可以开始第 6 章了……

• 你会使用 len()、正索引、负索引和切片；
• 你能解释字符串是不可变的；
• 你会使用 strip()、split()、join() 和 casefold() 清理文本；
• 你能根据想解决的问题选择 in、count() 或 find()；
• 你会使用 unicodedata.normalize() 规范化等价的 Unicode 文本；
• 你记得码点、可见符号和字节是不同的东西；
• 你能运行学习笔记清理器，并让四项输出检查全部匹配。

接下来，你会把 split() 生成的片段放进列表，然后比较可修改的列表和固定的元组。