获取html页面的编码

     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

= ["<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" />',
     
'<meta http-equiv="Content-Type" content="text/html; charset=gb2312" />'
     ]



= "<meta[  ]+http-equiv=["']?content-type["']?[  ]+content=["']?text/html;[  ]*charset=([0-9-a-zA-Z]+)["']?"


= 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'