Doctest 由于 unicode 领先你而失败

Question

我正在为输出标记化单词列表的函数编写一个 doctest。

r'''

>>> s = "This is a tokenized sentence s\u00f3"
>>> tokenizer.tokenize(s0)
['This', 'is', 'a', 'tokenized', 'sentence', 'só']

'''

使用 Python3.4 我的测试顺利通过。

使用 Python2.7 我得到：

Expected:
  ['This', 'is', 'a', 'tokenized', 'sentence', 'só']
Got:
  [u'This', u'is', u'a', u'tokenized', u'sentence', u's\xf3']

我的代码必须同时适用于 Python3.4 和 Python2.7。我该如何解决这个问题？

Answer 1

Python 3 对 Unicode 对象使用不同的字符串文字。没有 u 前缀（在规范表示中）并且一些非 ascii 字符按字面显示，例如 'só' 是 Python 3 中的 Unicode 字符串（它是 Python 2 如果你在输出中看到它）。

如果您只对函数如何将输入文本拆分为标记感兴趣；您可以在单独的行上打印每个标记，以使结果 Python 2/3 兼容：

print("\n".join(tokenizer.tokenize(s0)))
This
is
a
tokenized
sentence
só

作为替代方案，您可以 customize doctest.OutputChecker，例如：

#!/usr/bin/env python
r"""
>>> u"This is a tokenized sentence s\u00f3".split()
[u'This', u'is', u'a', u'tokenized', u'sentence', u's\xf3']
"""
import doctest
import re
import sys

class Py23DocChecker(doctest.OutputChecker):
    def check_output(self, want, got, optionflags):
        if sys.version_info[0] > 2:
            want = re.sub("u'(.*?)'", "'\1'", want)
            want = re.sub('u"(.*?)"', '"\1"', want)
        return doctest.OutputChecker.check_output(self, want, got, optionflags)

if __name__ == "__main__":
    import unittest

    suite = doctest.DocTestSuite(sys.modules['__main__'], checker=Py23DocChecker())
    sys.exit(len(unittest.TextTestRunner().run(suite).failures))

Doctest 由于 unicode 领先你而失败

Doctest fails due to unicode leading u

python

unicode

portability

doctest