Python 2中urllib2中文乱码的本质是未正确识别或解码响应字符编码，需依次从响应头Content-Type、HTML meta标签提取charset，再按utf-8/gbk/gb2312顺序尝试解码，最后fallback为latin-1。

Python 2 中 urllib2 获取网页后出现中文乱码，本质是**未正确识别或解码响应的字符编码**。核心解决思路：先获取服务器声明的编码（如 Content-Type 中的 charset），再用该编码解码响应内容；若缺失或错误，则按 HTML meta 标签或常见默认编码（如 UTF-8、GBK）尝试解码。

检查并使用响应头中的 charset

服务器通常在 HTTP 响应头 Content-Type 中指定编码，例如 text/html; charset=utf-8。这是最优先采用的依据：

• 用 response.headers.get('content-type') 提取 header 字符串
• 用正则或字符串方法提取 charset=xxx 后的值（注意大小写和空格）
• 用该编码对 response.read() 的字节流进行 .decode(charset)

解析 HTML 中的 meta charset（备用方案）

当响应头未提供或不可靠时，需读取 HTML 源码前几 KB，查找 或 等标签：

• 限制读取长度（如 response.read(5000)），避免下载整页
• 用正则 r']+charset[^\>]*>' 匹配 meta 标签，再提取编码值
• 注意转义和大小写，推荐用 re.IGNORECASE

设置容错解码（兜底策略）

若前两种方式都失败，可按常见编码依次尝试解码，并捕获 UnicodeDecodeError：

小蓝本

ToB智能销售增长平台

下载

立即学习“Python免费学习笔记（深入）”；

• 优先试 utf-8（现代网站主流）
• 再试 gbk 或 gb2312（中文旧站常见）
• 最后考虑 latin-1（能无损解码任意字节，但中文会乱，仅作调试用）
• 用 try/except 控制流程，成功即跳出

完整示例（含异常处理）

以下代码整合上述逻辑，适用于 Python 2.7：

import urllib2
import re
def get_page_content(url):
response = urllib2.urlopen(url)
raw = response.read()
# 1. 从 headers 取 charset
charset = None
ct = response.headers.get('content-type', '')
m = re.search(r'charset=([^\s;]+)', ct, re.I)
if m:
    charset = m.group(1).strip('"\'').lower()

# 2. 若 headers 没有，从 HTML meta 中找
if not charset:
    sample = raw[:5000].lower()
    m = re.search(r']+charset=([^">]+)', sample)
    if m:
        charset = m.group(1).strip()

# 3. 尝试解码
for enc in [charset, 'utf-8', 'gbk', 'gb2312']:
    if not enc:
        continue
    try:
        return raw.decode(enc)
    except (UnicodeDecodeError, LookupError):
        continue

# 4. 最终 fallback（不推荐用于显示，仅调试）
return raw.decode('latin-1', 'replace')
使用
html = get_page_content('https://www.php.cn/link/374cad868cb62202053d308252bc4040')
print(html[:200])