Python错误：lxml+tidylib/我想解决grabled ch

Question

所有人。
请允许我问以下问题。
我使用Python2.6编写了这个脚本。
但我有个错误。

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import cchardet, urllib2
import lxml.html
from tidylib import tidy_document

class ParseHTML(object):
    def __init__(self, html):
        self.charset = cchardet.detect(html)['encoding']
        self.html = html
        self.html = self.html.decode(self.charset) # lineA
        self.document, self.errors = tidy_document(self.html)
        self.dom = lxml.html.fromstring(self.document)
    def getTitle(self):
        self.title = self.dom.xpath('//title')[0].text
        return self.title.strip()

url = r'http://www.asahi.com/articles/ASG2B5T0ZG2BUHBI131.html?iref=comtop_6_01'
response = urllib2.urlopen(url)
html = response.read()
parse = ParseHTML(html)
title = parse.getTitle()
print title

那我就错了。

ValueError: Unicode strings with encoding declaration are not supported.

如果我注释掉了lineA，脚本就工作了，但是结果会变得混乱。
我被乱七八糟的角色所困扰。
我想用HTML清理来解决字符的问题。

我应该如何更改此脚本？
有什么建议吗？
非常感谢。你知道吗

Answer 1

仅使用lxml

>>> from lxml import etree
>>> with open('out.html', 'w') as f:
...     root = etree.parse(url, etree.HTMLParser())
...     title = root.xpath('//title/text()')[0]
...     f.write(title.encode("utf-8"))

正在加载输出.html在浏览器中显示：

中国・台湾、窓口役の担当閣僚が会談　４９年の分断後初：朝日新聞デジタル