html页面一般都会指定一个编码,如何获取到是处理html页面的第一步,因为错误的编码必然带来后面处理的问题。这里我用python的正则表达式写了个:
import re a = ["<Meta http-equiv="Content-Type" content="text/html; charset=utf-8" />",'<Meta http-equiv=Content-Type content="text/html;charset=gb2312">','<Meta http-equiv="Content-Type" content="text/html; charset=iso-8859-1">','<Meta http-equiv="Content-Type" content="text/html; charset=gb2312" />','<Meta http-equiv="content-type" content="text/html; charset=utf-8" />','<Meta http-equiv="Content-Type" content="text/html; charset=gb2312" />' ] b = "<Meta[ ]+http-equiv=["']?content-type["']?[ ]+content=["']?text/html;[ ]*charset=([0-9-a-zA-Z]+)["']?" B = re.compile(b,re.IGnorECASE) for ax in a: r1 = B.search(ax) if r1: print r1.group() print r1.group(1),len(r1.group()) else: print 'not match'
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。