python - python lxml 模块在内部使用哪种编码？

Question

当我得到一个网页时，我使用 UnicodeDammit 将其转换为 utf-8 编码，就像:

import chardet
from lxml import html
content = urllib2.urlopen(url).read()
encoding = chardet.detect(content)['encoding']
if encoding != 'utf-8':
    content = content.decode(encoding, 'replace').encode('utf-8')
doc = html.fromstring(content, base_url=url)

但是当我使用时:

text = doc.text_content()
print type(text)

输出是<type 'lxml.etree._ElementUnicodeResult'> . 为什么？我以为它会是一个 utf-8 字符串。

Answer 1

lxml.etree._ElementUnicodeResult是继承自unicode的类:

$ pydoc lxml.etree._ElementUnicodeResult

lxml.etree._ElementUnicodeResult = class _ElementUnicodeResult(__builtin__.unicode)
 |  Method resolution order:
 |      _ElementUnicodeResult
 |      __builtin__.unicode
 |      __builtin__.basestring
 |      __builtin__.object

在 Python 中，拥有从基类型扩展的类以添加一些特定于模块的功能是相当普遍的。将对象视为常规 Unicode 字符串应该是安全的。