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 <meta charset="utf-8"> 或 <meta http-equiv="Content-Type" content="text/html; charset=gbk"> 等标签：
- 限制读取长度（如
response.read(5000)），避免下载整页 - 用正则
r'<meta[^>]+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：
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
<p>def get_page_content(url):
response = urllib2.urlopen(url)
raw = response.read()</p><pre class='brush:python;toolbar:false;'># 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'<meta[^>]+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])
