字符串与文本处理

1. 一句话定义

str 是不可变的 Unicode 字符序列，支持切片、丰富方法与三种格式化方式（首选 f-string）；文本进出的关键是编码（UTF-8）。

2. 为什么重要

绝大多数程序在做文本进出：日志、配置、JSON、网络协议。f-string 与切片是日常高频操作；编码错误是跨语言迁移者最常见的翻车点。

3. 前置知识

kp-004（str 属不可变序列族）。

4. 核心概念

• 不可变：所有"修改"方法都返回新串（与 kp-004 呼应）。
• 索引与切片：s[i]，s[a:b:c]（步长），负下标从尾部数；切片不越界不报错。
• 格式化三式：f-string（3.6+，首选）、str.format()、% 旧式（读旧代码要认识）。
• 编码：str 是"字符"（码点）序列；字节串 bytes 是编码后的数据。入站 decode，出站 encode，默认 UTF-8。

5. 原理与机制

s = "Hello, Python"

s[7:13]            # 'Python'
s[::-1]            # 反转
s.upper()          # 'HELLO, PYTHON'（返回新串，s 不变）
"  x ".strip()     # 'x'
"a,b,c".split(",") # ['a', 'b', 'c']
"-".join(["a","b"])# 'a-b'  （join 比循环 += 拼接高效得多）

# f-string
name, score = "Amy", 91.667
f"{name} 得分 {score:.1f}"        # 'Amy 得分 91.7'
f"{name=}"                        # 3.12 前 'name='Amy''；调试利器
f"{1234567:,}"                    # '1,234,567'

编码：

"蛇".encode("utf-8")        # b'\xe8\x9b\x87'
b'\xe8\x9b\x87'.decode("utf-8")  # '蛇'

6. 关键事实（模型/图示）

str（码点序列） ──encode──► bytes（字节序列）
str ◄──decode──────────── bytes
读文件/网络进来的是 bytes → 必须 decode 成 str 才能当文本处理

7. 直观类比

str 像乐谱（抽象的音），bytes 像录音文件（具体的声）；encode 是录音，decode 是照谱演奏。录音拿错了制式（编码不对）播放出来就是杂音——UnicodeDecodeError 就是那个杂音。

8. 实例与案例

# 清洗一行 CSV 数据
line = " Amy , 90 \n"
name, score = (p.strip() for p in line.strip().split(","))

复杂模式匹配入门（正则完整语法不在本知识库展开，入口在此）：

import re
re.findall(r"\d+", "room 12, floor 3")     # ['12', '3']

9. 常见误区

1. 循环 += 拼接构建大字符串 —— O(n²)；用 "".join(parts) 或先收集再 join。
2. strip() 只去空格？ 默认去空白，但可传参数去掉指定字符集合："xxaxx".strip("x") → 'a'。
3. 以为字符串是字符数组可直接赋值 —— s[0] = "h" 报错；转 list 改完再 join。
4. 混淆 str 与 bytes —— 对 b"..." 用字符串方法（如 .split() 传 str 参数）会 TypeError。

10. 自测题

1. "python"[1:-1] 结果是什么？
2. f"{3.14159:.2f}"、f"{0.25:.0%}" 各输出什么？
3. "".join() 与循环 += 相比优势是什么？底层原因一句话？

11. 与其他知识点的关系

• kp-009 列表与元组：切片语法同源。
• kp-016 文件与 IO：编码问题的主战场。
• kp-011 推导式：split/join 常与推导式配合。

12. 延伸阅读

• PEP 498（f-string）；PEP 701（3.12 的 f-string 语法放开，见 kp-039）
• 字符串方法速查：https://docs.python.org/zh-cn/3/library/stdtypes.html#string-methods