-
大规模文本预处理需先解决内存与分词问题：用生成器+tf.data避免OOM，轻量分词器优先，合理设vocab_size、output_dim及trainable，转TFRecord提升I/O性能，并用padded_batch确保静态shape。
-
使用replace()删除指定字符，如text.replace("a","")可将字符串中所有"a"移除；2.利用translate()结合str.maketrans创建映射表删除多个字符，适合高效批量处理；3.通过列表推导式过滤字符并用join()重组，灵活支持复杂条件；4.使用re.sub()配合正则表达式按模式删除字符，如删除数字或元音；5.所有方法均需注意字符串不可变性，结果需重新赋值。
-
直接用re.findall匹配href易漏PDF链接，因实际链接常含查询参数、重定向、大小写混用或动态触发；应先提取所有URL候选，再统一用小写后缀及MIME类型过滤。
-
Python字符串拼接主要有五种方法：1.+运算符适合简单拼接但性能差；2.f-string语法简洁高效，推荐现代Python使用；3.str.join()适用于列表拼接，性能最优；4.str.format()功能灵活，可读性好；5.%操作符较老，逐渐被替代。
-
健康检查接口应返回200或503状态码：所有关键依赖（DB、缓存、下游API）可用时返回200，任一不可达时返回503并附简短原因；禁止使用4xx，需做轻量级业务探测且避免耗时操作。
-
Flask中用@app.errorhandler(404)和@app.errorhandler(500)注册处理函数，返回render_template('404.html'),404；需关闭DEBUG模式、确保模板路径正确且显式返回状态码。
-
元组是不可变序列，用()创建，支持索引切片，提供count和index方法，可进行拼接、重复、解包等操作，适用于存储不变数据。
-
该错误是运行时对None进行下标操作所致，因sort()等就地方法、漏写return或API失败导致返回None；需先判空再类型校验，如isinstance(items,(list,tuple))anditems。
-
连接Python和Spark的关键在于安装PySpark并正确配置环境。首先，使用pipinstallpyspark安装PySpark；其次，通过创建SparkSession设置应用名称、运行模式及配置参数；第三，若需连接远程集群，需确保版本一致、配置文件齐全并设置SPARK_HOME；最后，注意Python版本匹配、网络权限、依赖管理和日志排查等常见问题。
-
ctypes.Structure本质是为C交互服务，非通用数据容器；仅在调用DLL、解析二进制协议等需精确内存布局时必要，必须用ctypes类型、注意对齐填充、不可动态增删字段。
-
Python内置json模块支持JSON与Python对象双向转换，核心方法为loads/load（解析）和dumps/dump（生成），兼容常见类型，需注意编码、中文显示、日期处理及非标准类型限制。
-
根本原因是系统缺少libxml2开发文件，Linux需装libxml2-dev，macOS用brew装并设环境变量，Windows应强制安装预编译wheel或改用condainstalllxml。
-
Python函数是第一类对象，def和lambda均创建function实例，区别在于lambda仅支持表达式；闭包由自由变量捕获决定；@wraps确保装饰器保留原函数元信息。
-
jieba受欢迎的原因是其高效算法和广泛应用场景。1.提供全模式、精确模式和搜索引擎模式三种分词方式。2.支持词性标注、关键词提取和文本聚类等高级功能。3.可通过加载自定义词典优化分词效果。4.提供并行分词功能，提升大规模文本处理速度。
-
textwrap.dedent()是处理多行字符串缩进的标准方法，按首行非空行缩进基准去除每行前缀空白，不破坏内部缩进，且兼容混合缩进；需配合\抑制首行换行，避免开头多余\n。
