str.strip() 不能处理业务“脏空格”（如\u200b、\u3000、\xa0），因其默认仅识别ASCII空白符；需用正则re.sub(r'[\s\u200b\u3000\xa0]+', ' ', text).strip()统一归一再裁边。
为什么 str.strip() 不能处理业务里的“脏空格”
因为业务文本里混着 \u200b（零宽空格）、\u3000（全角空格）、\xa0（不间断空格）——这些都不在 str.strip() 默认字符集里，调用后纹丝不动。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 先用
repr(text)看真实字节，别靠肉眼判断“看起来是空格” - 统一清理推荐用正则：
re.sub(r'[\s\u200b\u3000\xa0]+', ' ', text).strip()，把杂七杂八空白归为一个半角空格再裁边 - 如果字段要进数据库或做等值匹配，建议额外加
.replace(' ', '') == ''判断是否真为空，别只信not text.strip()
中文标点替换该用 str.translate() 还是 re.sub()
str.translate() 更快、更可控，尤其适合一对一映射（如把 ， 全替成 ,），但不支持模糊匹配或上下文条件；re.sub() 灵活，能写 r'(? 这种带边界的规则，但性能差一截，且容易写错边界。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 纯符号批量替换：建
table = str.maketrans('，。！？；：“”‘’（）【】《》', ',.!?;:""\'\'()[]')，然后text.translate(table) - 需要保留某些上下文（比如数字后的顿号不替换）：必须用
re.sub()，但先re.compile()缓存 pattern，别每次临时编译 - 注意
translate()对 Unicode 组合字符（如带声调的拼音）可能误伤，测试时多塞几个生僻字
业务字段“规范化”要不要动原始编码
不要。原始文本的 encoding 是事实，强行 decode/encode 容易引入 UnicodeDecodeError 或静默乱码（比如把 b'\xe4\xbd\xa0\xe5\xa5\xbd' 当 latin-1 解再 encode 回 utf-8，就变 ä½ å¥½）。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 拿到 bytes 就先
try: text = raw_bytes.decode('utf-8') except UnicodeDecodeError: text = raw_bytes.decode('utf-8', errors='replace')，别猜编码 - 所有后续操作（去空格、替换标点）都在 str 层做，别反复 encode/decode
- 如果字段要落库，确认数据库连接层已设
charset=utf8mb4，而不是靠 Python 层“补救”
unicodedata.normalize() 在什么场景下真有用
只在涉及大小写折叠、重音符号、兼容汉字（如「個」vs「个」）或搜索/排序一致性时才需要。普通表单清洗、日志去噪、ID 标准化几乎用不到，硬加上反而拖慢速度、引入不可见字符。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 搜素关键词标准化：用
unicodedata.normalize('NFKC', keyword)，它能把全角数字、罗马数字、上标 ² 归一为常规字符 - 用户昵称展示：别 normalize，否则「café」变「cafe」，丢了原意
- 注意
NFKD会把「ffi」拆成「ffi」，某些 OCR 输出或旧系统导出数据才需这种激进拆分
真正难的是理清业务语义：这个字段是给人看、给机器比对、还是进搜索引擎？同一段文本在不同环节的“规范”目标可能完全相反。别写一套通用清洗函数包打天下。
