第五章综合测验：字符串与正则

引言

第五章到此收官。本篇综合测验严格以第 1 至 9 篇为范围：字符串方法（第 1 篇《字符串方法大全》）、切片（第 2 篇）、编码与 Unicode（第 3 篇）、正则基础（第 4 篇）、正则进阶与分组（第 5 篇）、re 模块实战（第 6 篇）、格式化语法（第 7 篇）、nginx 日志解析（第 8 篇）与文本清洗工具链（第 9 篇）。题目不引入第六章（列表、元组与字典）及以后的内容；题中出现的字典计数与内置 sorted 等构件，是第 8、9 篇实战中已经用过的极基础用法，不再单独讲授。

全篇分三个部分：10 道选择题按”记忆 → 理解 → 应用”的难度梯度排列，每题标注难度并附逐题解析；3 道编程题给出可独立运行的参考解答与实测输出；最后是一个综合任务——从混合文本中提取并统计邮箱域名，考察你把整章知识串起来解决真实问题的能力。建议先独立完成全部题目，再对照解析；做错的题要回到对应篇章重新理解原理，因为测验的意义是发现盲区，而不是分数。文中所有运行结果均基于本机 CPython 3.12 实测。

选择题（共 10 题，每题只有一个正确答案）

第 1 题：字符串方法的返回值【记忆】

print('  Python  基础  '.strip())
print('hello,world,python'.split(','))

输出是什么？

A. 'Python 基础' 和 ['hello', 'world', 'python'] B. 'Python 基础' 和 ['hello', 'world', 'python'] C. 'Python 基础' 和 ['hello,world,python'] D. 'Python 基础' 和 ['hello,world,python']

第 2 题：切片与步长【记忆】

s = 'Python编程'
print(s[:6])
print(s[::2])

输出是什么？

A. 'Python' 和 'Pto编' B. 'Python' 和 'Pto' C. 'Pytho' 和 'Pto编' D. 'Pytho' 和 'Pto'

第 3 题：字符串与字节【理解】

text = '你好'
data = text.encode('utf-8')
print(len(data))
print(data.hex())
print(data.decode('utf-8'))

输出是什么？

A. 4、e4bda0e5a5bd、你好 B. 6、4f60597d、你好 C. 6、e4bda0e5a5bd、你好 D. 6、e4bda0e5a5bd、报错

第 4 题：字符类与量词【记忆】

import re
print(re.findall(r'\d+', '2026 年 8 月，销量 1234 件，库存 45'))

输出是什么？

A. ['2026', '8', '1234', '45'] B. ['2', '0', '2', '6', '8', '1', '2', '3', '4', '4', '5'] C. ['2026', '8', '1234', '45', ''] D. [2026, 8, 1234, 45]

第 5 题：分组捕获与非贪婪【理解】

import re
html = '<a>text</a><b>more</b>'
print(re.findall(r'<(\w+)>', html))
print(re.findall(r'<.+?>', html))

输出是什么？

A. ['a', 'a', 'b', 'b'] 和 ['<a>', '</a>', '<b>', '</b>'] B. ['a', 'b'] 和 ['<a>text</a><b>more</b>'] C. ['a', 'b'] 和 ['<a>', '</a>', '<b>', '</b>'] D. ['a', 'a', 'b', 'b'] 和 ['<a>', '<b>']

第 6 题：match、search 与 fullmatch【理解】

import re
p = re.compile(r'\d+')
print(bool(p.match('abc123')))
print(p.search('abc123').group())
print(bool(p.fullmatch('abc123')))

输出是什么？

A. False、123、False B. False、123、True C. True、123、False D. 123、123、False

第 7 题：findall 与捕获组【理解】

import re
line = 'ip=127.0.0.1 time=12.5ms status=200'
print(re.findall(r'(\w+)=([\d.]+)', line))

输出是什么？

A. ['ip=127.0.0.1', 'time=12.5', 'status=200'] B. [('ip', '127.0.0.1'), ('time', '12.5'), ('status', '200')] C. ['ip', 'time', 'status'] D. [('127.0.0.1', 'ip'), ('12.5', 'time'), ('200', 'status')]

第 8 题：格式说明符【记忆】

n = 255
print(f'{n:#x}')
print(f'{n:08b}')
print(f'{3.14159:.2f}')

输出是什么？

A. 0xff、11111111、3.14 B. ff、11111111、3.14 C. 0xff、255、3.1 D. 0xFF、11111111、3.14

第 9 题：解析日志行【应用】

import re
log = '192.168.1.7 - - [31/Aug/2026:09:15:00 +0800] "POST /api/login HTTP/1.1" 401 128'
m = re.search(r'"([A-Z]+) (\S+?) HTTP/1\.[01]" (\d{3})', log)
print(m.groups())

输出是什么？

A. ('POST', '/api/login HTTP/1.1', '401') B. ('POST', '/api/login', '401') C. ('POST', '/api/login', '128') D. ('POST', '/api/login', 'HTTP/1.1')

第 10 题：千分位还原——一次替换的陷阱【应用】

import re
s = '成交额 1,2,3,456 元'
print(re.sub(r'(\d),(\d)', r'\1\2', s))

输出是什么？

A. 成交额 123456 元 B. 成交额 1,2,3,456 元（不变） C. 成交额 12,3456 元 D. 报错：反向引用 \1 不存在

编程题（共 3 题，附可运行参考解答）

编程题 1：用切片判断回文

题目：实现 is_palindrome(text)，判断一个字符串正读反读是否相同（忽略大小写）。用第 2 篇的切片写出最简版本，并分别测试 'abcba'、'上海自来水来自海上'、'Python'。

参考解答：

def is_palindrome(text):
    text = text.lower()
    return text == text[::-1]

for word in ['abcba', '上海自来水来自海上', 'Python']:
    print(f'{word} -> {is_palindrome(word)}')

运行结果：

abcba -> True
上海自来水来自海上 -> True
Python -> False

关键点：text[::-1] 是”步长 -1 的切片”，把字符串完整倒序，这是回文判断的最短路；lower() 统一大小写后，'Abcba' 也能正确判为回文。中文同样适用，因为切片按字符索引工作，与语言无关。整段逻辑只有一行核心比较，剩下的两个知识来自第 1 篇（大小写变换）与第 7 篇（f-string 输出）。

编程题 2：统计网址的域名后缀

题目：给定一组混合了不同协议与路径的网址，用正则提取每个网址的主机名，按顶级后缀（com/net/org）分组计数，并按字母顺序输出，数字右对齐、后缀左对齐。

参考解答：

import re

urls = ['https://docs.python.org/3/', 'http://example.com/a',
        'https://blog.example.com/p', 'ftp://files.example.net/x',
        'http://example.org', 'https://example.com/about']

stats = {}
for url in urls:
    host = re.search(r'://([^/]+)', url).group(1)
    suffix = host.rsplit('.', 1)[-1]           # rsplit：从右侧切分
    stats[suffix] = stats.get(suffix, 0) + 1

for suffix, count in sorted(stats.items()):
    print(f'{suffix:<5}{count:>3}')

运行结果：

com    3
net    1
org    2

关键点：r'://([^/]+)' 用 [^/]+ 堵住协议与路径、只留主机名（第 4 篇字符类 + 第 5 篇分组）；rsplit('.', 1) 从右侧只切一次，example.com 与 blog.example.com 都能正确取出 com；stats.get(suffix, 0) + 1 是字典计数的最小惯用式；输出格式 {suffix:<5}{count:>3} 用了第 7 篇的左对齐与右对齐。全部落在第五章知识内，没有引入任何新库。

编程题 3：手工清洗一行 CSV

题目：不带 csv 模块（那是后续章节的内容），只用字符串方法把一行 CSV 文本 ' "张三", 25 , "上海" ' 解析成 ['张三', '25', '上海']：按逗号切分、去掉两侧空白、再剥掉引号。

参考解答：

def parse_csv_line(raw):
    fields = raw.split(',')
    return [field.strip().strip('"') for field in fields]

line = ' "张三", 25 , "上海" '
print(parse_csv_line(line))

运行结果：

['张三', '25', '上海']

关键点：三步各对应第 1 篇的一个方法——split(',') 切字段、strip() 去空格、strip('"') 剥引号；三者用列表推导式串成一行，是第 9 篇”清洗管线”思想的函数级缩影。注意 strip() 不传参数默认剥空白字符，而 strip('"') 传入字符集合参数后只剥引号，两者的第二个用法是字符串方法的常见隐藏点。真实工程项目里 CSV 有引号内逗号等复杂情况，要交给标准库 csv——这里的手写版只用于理解”清洗 = 方法组合”。

综合任务：从混合文本中提取并统计邮箱域名

任务描述：你收到一封会议通知的纯文本，里面混着多个邮箱地址（大小写不一、有重复）。请完成：用正则提取全部邮箱 → 统一转为小写 → 按 @ 后面的域名分组计数 → 按出现次数从多到少排序（次数相同的保持先出现者在前）→ 用格式化语法输出”域名 次数”报告。

考察点：邮箱正则（第 4、6 篇）、findall 与大小写规整（第 6 篇、第 9 篇）、字典计数与排序（第 8、9 篇实战用过的构件）、f-string 对齐输出（第 7 篇）。

参考实现：

import re

TEXT = '''会议通知：请联系 zhangsan@example.com 或 lisi@example.com 确认出席，抄送 wang.wu@example.net。
域名迁移：zhangsan@example.com 与 zhaoliu@example.org 是公司新邮箱，旧邮箱 zhaoliu@old-mail.org 停用。'''

emails = re.findall(r'[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}', TEXT)

domains = {}
for email in emails:
    domain = email.split('@', 1)[1].lower()
    domains[domain] = domains.get(domain, 0) + 1

print(f'共提取 {len(emails)} 个邮箱，涉及 {len(domains)} 个域名：')
for domain, count in sorted(domains.items(), key=lambda item: -item[1]):
    print(f'{domain:<24}{count:>3} 封')

运行结果：

共提取 6 个邮箱，涉及 4 个域名：
example.com               3 封
example.net               1 封
example.org               1 封
old-mail.org              1 封

逐项核对：zhangsan@example.com 出现两次、lisi@example.com 一次，example.com 合计 3；wang.wu@example.net 的域名是 example.net 而不是 net——因为 split('@', 1)[1] 取的是整个域名部分；old-mail.org 里的连字符在 [A-Za-z0-9.-]+ 字符类中位于末尾，按字面匹配，提取正确。同一个任务，把邮箱模式换成第 8 篇的日志行模式，把 split('@')[1] 换成状态码分组，就是一台日志统计小工具——这就是迁移能力：模式相同，数据换掉即可。

扩展思考：把输入换成 nginx 日志文件，统计各状态码（200/401/404…）的出现次数，并输出占比最高的前三个；试试只靠本章知识能否完成（提示：re.findall + 字典 + sorted 的 key 就够了）。

学习自检清单

完成本章学习后，请逐项确认你能独立做到：

• 说出 strip、split、join、replace、find、startswith 等常用字符串方法的返回类型，并知道 strip() 默认剥哪些字符。
• 用切片取子串、倒序、按步长取字符，并能解释越界与负索引的边界行为。
• 解释 str 与 bytes 的关系，完成 UTF-8 的 encode/decode，能说出”一个汉字 3 字节”并预判 UnicodeDecodeError。
• 独立写出含字符类（\d、\w、\s、[^...]）与量词（*、+、?、{n,m}）的正则模式。
• 使用分组 ()、反向引用 \1 与非贪婪 *?、+? 解决实际问题。
• 区分 match、search、fullmatch、findall、sub 的语义与返回值形态（字符串列表 vs 元组列表）。
• 用 f-string 的格式说明符完成对齐、填充、精度与进制输出（如 {n:#x}、{x:08b}）。
• 不查资料，从 nginx 日志行中提取方法、路径、状态码与耗时（第 8 篇）。
• 独立搭建”分层清洗 → 提取 → 统计 → 结构化输出”的文本清洗管线（第 9 篇），并知道千分位需要循环还原。
• 独立完成本篇综合任务，并能把同一套模式迁移到”统计 IP、状态码”等场景。

如果某一项无法打勾，请回到对应篇章重新练习。第五章的核心思想是：文本处理 = 字符串方法做精确操作 + 正则做模式匹配 + 格式化做输出规整，三者缺一不可；初学阶段最容易忽略的是”返回值形态”——每个方法返回字符串、列表还是 None，决定了下一行代码怎么写。带着这套基本功，下一章进入第六章”列表、元组与字典”：你会发现字符串的切片、索引与统计思想会原样迁移到容器类型上，而第五章反复强调的”先看返回值、再写下一行”的调试习惯，将帮助你无痛跨过数据结构这道坎。测验不是终点，它只是你掌握程度的体检报告。