由于 unicode 导致 u 导致 Doctest 失败

我正在为一个输出标记化单词列表的函数编写文档测试。

r'''

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

'''

Using Python3.4我的测试顺利通过。

Using Python2.7 I get:

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

我的代码必须在 Python3.4 和 Python2.7 上运行。我怎么解决这个问题？

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）和一些非 ascii 字符按字面显示，例如，'só'是 Python 3 中的 Unicode 字符串（如果您在输出中看到它，则它是 Python 2 中的字节串）。

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

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

作为替代方案，您可以定制doctest.OutputChecker， 例子：

#!/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))