字符串与报名文本清洗

5.1 报名文本为什么要先清洗

先比较两条记录：陈晨|CL007|EV-0021 和 陈晨 | cl007 | ev-0021 。它们表示相同的三个字段，但直接比较整个字符串会得到不同结果。反过来，陈晨|CL0A7|EV-0021 含错误字符，不能仅靠“看起来差不多”就自动修成正确编号。

本章约定记录格式为 姓名|社团编号|活动编码，中间必须恰好有两个半角竖线。字段首尾空白可以去除，编号大小写可以统一；姓名清洗后不能空，社团编号是 CL 加三位半角数字，活动编码是 EV- 加四位半角数字。

5.2 字符串、长度与索引

编号 007 是文本，不是人数。若把 "007" 转成整数，就只剩 7，前导零这一格式信息会消失。本章始终把姓名和编号保持为字符串。len() 给出字符数；用方括号索引可取某个位置，首字符索引为 0，最后一个也可写作 -1。

code = "EV-0021"
print(len(code))
print(code[0])
print(code[2])
print(code[-1])
print("007", int("007"))

7
E
-
1
007 7

这里 code 长度为 7，有效的正索引是 0 到 6。取 code[7] 会报 IndexError；把它作为运行前预测题即可，不要误当作可运行的正确示例。len() 是内置函数，不属于后面六个字符串方法。

5.3 切片：从起点到终点之前

切片 text[start:stop] 取得从 start 开始、到 stop 之前的一段文本；右边界不包含在结果中。省略起点表示从开头取，省略终点表示取到末尾。我们稍后会用它提取字段和编号前后缀。

code = "EV-0021"
print(code[:3])
print(code[3:])
print(code[3:5])
print(code[99:] == "")

EV-
0021
00
True

code[:3] 取索引 0、1、2，因此是 EV-；code[3:] 保留了 0021 的两个前导零。单点索引越界会报错，而 code[99:] 返回空字符串，因此最后一行比较得到 True。

切片“不报错”不代表数据有效：CL 的 [2:] 也是空字符串。因此校验编号时还必须单独检查总长度。

5.4 方法返回新字符串：先清洗，再保存

字符串不能像可修改的格子那样在原位置改变某个字符。写 code[0] = "c" 会出错；strip()、upper()、lower() 等方法返回处理后的新字符串，不会自动替换原变量。需要后续使用时，必须把结果赋值给名称。

raw = "  cl007  "
raw.strip()
print(f"原值：[{raw}]")
club_code = raw.strip()
club_code = club_code.upper()
print(f"新值：[{club_code}]")
print("Y".lower())

原值：[  cl007  ]
新值：[CL007]
y

第一行 raw.strip() 的返回值没有保存，raw 仍含空格。后面先保存去除首尾空白的结果，再转大写。lower() 可把输入的 Y 变为 y；但这并不意味着本项目可以随意更改所有字段。

例如 " Li Ming ".strip() 得到 "Li Ming"，姓名中间的空格必须保留。把所有空格都删掉会改变原始姓名，不符合本章清洗约定。

5.5 count()、find() 和 replace()

count() 回答某段文本出现几次；find() 返回第一次找到的位置，找不到返回 -1。如果要找第二个竖线，可让第二次查找从第一个位置之后开始。replace() 返回替换后的新字符串，但只能按明确规则使用。

record = "A|B|C"
first_bar = record.find("|")
second_bar = record.find("|", first_bar + 1)
print(record.count("|"))
print(first_bar, second_bar)
print(record.find("/"))
print("A｜B".replace("｜", "|"))

2
1 3
-1
A|B

第二次 find() 的起点是 2，因此找到索引 3。replace() 的示例说明可以把全角竖线转换成半角竖线，但基础任务不允许这样自动修补结构；只有在另存的进阶版中先明确新增规则、再补测试，才可使用这一转换。

5.6 先检查结构，再定位并切出三个字段

要读出姓名、社团编号和活动编码，先确认记录中恰好有两个半角竖线。两个分隔位置确定后，三段切片的边界才有依据；不能把姓名长度写死，因为“陈晨”和“Li Ming”长度不同。

record = " 陈晨 | cl007 | ev-0021 "
if record.count("|") == 2:
    first_bar = record.find("|")
    second_bar = record.find("|", first_bar + 1)
    student_name = record[:first_bar].strip()
    club_code = record[first_bar + 1:second_bar].strip().upper()
    activity_code = record[second_bar + 1:].strip().upper()
    print(student_name)
    print(club_code)
    print(activity_code)

陈晨
CL007
EV-0021

第一个字段在第一个竖线左边；第二个字段从第一个竖线后一位到第二个竖线之前；第三个字段从第二个竖线后一位到结尾。每个字段要分别 strip()，因为只清洗整条记录的两端，无法去掉竖线旁边的空白。

结构正确也不保证内容正确：陈晨||EV-0021 仍有两个竖线，但社团编号是空的。程序必须在解析之后继续校验字段。

5.7 遍历后缀，用成员判断校验字符

社团编号规则是“总长 5、前缀 CL、后三位都是半角数字”。字符串可以被 for 逐字符遍历；char not in "0123456789" 判断当前字符不属于允许集合。任何一位不合格，就把布尔标记改为 False，后续合法字符也不能把它改回 True。

club_code = "CL0A7"
club_digits_ok = True
for char in club_code[2:]:
    if char not in "0123456789":
        club_digits_ok = False
    print(char, club_digits_ok)
print(len(club_code) == 5 and club_code[:2] == "CL" and club_digits_ok)

0 True
A False
7 False
False

这就是课堂中的“坏字符标记”：读到 A 后，标记保持 False。用 in 可询问“在不在”，用 not in 可直接表达“不在”。本章限定半角 0123456789，所以全角 ００７ 不能通过。

CL 的循环零次执行，标记仍是初始 True；因此不能只凭标记判定有效。活动编码同理，但总长应为 7、前缀为 EV-、后缀从索引 3 开始。

5.8 完成一次处理一条记录的清洗器

现在把“结构 → 定位 → 清洗 → 校验 → 输出”串成一份完整程序。基础版只接受两个半角竖线；姓名清洗后不能为空；两个编号分别检查长度、前缀和逐字符结果。保存为 text_cleaner.py 后，从第一行运行。

# 第5章：一次清洗并校验一条报名记录
# 格式：姓名|社团编号|活动编码
raw_record = input("报名记录（姓名|社团编号|活动编码）：")
record = raw_record.strip()

if record.count("|") != 2:
    print("校验失败：记录必须恰有两个半角竖线")
else:
    first_bar = record.find("|")
    second_bar = record.find("|", first_bar + 1)
    student_name = record[:first_bar].strip()
    club_code = record[first_bar + 1:second_bar].strip().upper()
    activity_code = record[second_bar + 1:].strip().upper()

    club_digits_ok = True
    for char in club_code[2:]:
        if char not in "0123456789":
            club_digits_ok = False

    activity_digits_ok = True
    for char in activity_code[3:]:
        if char not in "0123456789":
            activity_digits_ok = False

    if student_name == "":
        print("校验失败：姓名不能为空")
    elif len(club_code) != 5 or club_code[:2] != "CL" or not club_digits_ok:
        print("校验失败：社团编号须为CL加3位半角数字")
    elif len(activity_code) != 7 or activity_code[:3] != "EV-" or not activity_digits_ok:
        print("校验失败：活动编码须为EV-加4位半角数字")
    else:
        print(f"姓名：{student_name}")
        print(f"社团编号：{club_code}")
        print(f"活动编码：{activity_code}")
        print(f"标准记录：{student_name}|{club_code}|{activity_code}")
        print("校验通过：文本格式有效，尚未执行报名审批")

报名记录（姓名|社团编号|活动编码）：  陈晨 | cl007 | ev-0021  
姓名：陈晨
社团编号：CL007
活动编码：EV-0021
标准记录：陈晨|CL007|EV-0021
校验通过：文本格式有效，尚未执行报名审批

运行结果第一行中，提示后面的文本是示例键盘输入，不是源代码。点击“在线运行”只会复制代码并打开你指定的 W3Cschool 新标签页；仍需粘贴代码，再提供一条输入。下载文件与此完整示例一致。

1. 1
   先守住结构

   若半角竖线不是恰好两个，立即只报结构错误，不查找和切片字段。

2. 2
   按位置取字段

   两次 find() 找到真实分隔位置，再切片、清洗，保留姓名内部空格和编号前导零。

3. 3
   逐字符记住错误

   两个后缀各有一个布尔标记，发现不合格字符后保持 False。

4. 4
   只报第一项原因

   按姓名、社团编号、活动编码的顺序检查；全部通过才输出标准记录。

5.9 八组必测数据与错误诊所

先根据规则写预期，再逐条运行。表格里的竖线表示实际要键入的半角字符；H 的数字特意使用全角。失败组不应出现“标准记录”。

从现象追查第一处错误

清洗后仍有空白，先看是否保存了 strip() 的返回值，以及是否对三个字段分别清洗；第二个竖线位置和第一个一样，检查第二次 find() 是否从 first_bar + 1 开始；CL 被放行，检查长度条件是否缺失；CL0A7 被放行，检查坏字符标记是否被下一位合法字符错误地重置。

再自己加入空串、全角竖线、空后缀和错误前缀等异常文本。它们应按契约得到失败原因，不能因为程序没有抛异常就算通过。本版只处理一条记录，不保存名单，也不处理文件或非预期运行时错误。

5.10 练习与个人任务

先预测，再看解释

1. 索引与切片

   code = "CL007" 时，code[2:] 和 code.find("|") 分别是什么？

   查看答案

   分别是 "007" 和 -1。切片保留了前导零；找不到竖线时 find() 返回 -1。

2. 方法返回值

   执行 name = " Li Ming "、name.strip() 后，name 是否已经改变？

   查看答案

   没有。要写 name = name.strip() 才让变量关联到新字符串；姓名内部空格仍保留。

3. 读边界

   为什么 CL 的逐字符检查没有发现坏数字，却仍必须判为无效？

   查看答案

   后缀为空时循环零次，标记保持初始 True。总长度只有 2，不符合 5 位要求。

4. 区分清洗与校验

   cl007 与 CL００７ 哪个可被基础版规范化？为什么？

   查看答案

   cl007 可转为 CL007；全角数字不属于约定的半角 0123456789，应拒绝而不是猜测转换。

进阶可另存版本，用 replace() 接受全角竖线，并增加全角、半角混合输入测试；挑战可用第 4 章的循环批量处理多条记录。新增规则必须写明且与基础版分开，不能悄悄改变 A—H 的验收口径。

章末检查

• 我能说明索引、切片各自的边界和越界表现。
• 我会保存字符串方法的返回值，不把清洗误认为原地修改。
• 我在切字段前检查分隔符数量，第二次 find() 从第一处后面开始。
• 我能解释为什么逐字符标记还必须配合长度、前缀检查。
• 我把“格式有效”和“报名审批通过”当作两件不同的事。

延伸阅读：廖雪峰《Python教程》在线 PDF中的“字符串和编码”“切片”“不可变对象”，以及菜鸟教程 Python 3 字符串。本章按 ClubHub 的记录格式重新组织例子，以课程主数据的知识边界为准。