Я использую wget для загрузки статической HTML-страницы. W3C Validator сообщает, что страница закодирована в UTF-8. Тем не менее, когда я загружаю файл после загрузки, я получаю кучу глупостей. Я нахожусь на Ubuntu, и я думал, что кодировка по умолчанию была UTF-8? Вот что говорит мой файл локали. Почему это происходит и как я могу это исправить?
Также выглядит как Content-Encoding: gzip
. Возможно, это делает разницу?
Это простой запрос:
wget https://www.example.com/page.html
Я также попробовал это:
wget https://www.example.com/page.html -q -O - | iconv -f utf-16 -t utf-8 > output.html
Который вернулся: iconv: illegal input sequence at position 40
cat'ing файл возвращает двоичный файл, который выглядит следующим образом:
l�?חu�`�q"�:)s��dġ__��~i��6n)T�$H�#���QJ
Результат xxd output.html | head -20
:
00000000: 1f8b 0800 0000 0000 0003 bd56 518f db44 ...........VQ..D
00000010: 107e a6bf 62d4 8a1e 48b9 d8be 4268 9303 .~..b...H...Bh..
00000020: 8956 082a 155e 7a02 21dd cbd8 3bb6 97ae .V.*.^z.!...;...
00000030: 77cd ee38 39f7 a1bf 9d19 3bb9 0bbd 9c40 w..89.....;....@
00000040: 2088 12c5 de9d 9df9 be99 6f67 f751 9699 .........og.Q..
00000050: 500d 1d79 5eee a265 faec 7151 e4ab 6205 P..y^..e..qQ..b.
00000060: 4dd3 0014 1790 e7d0 77c0 ef2f cbf8 cde3 M.......w../....
00000070: cf1f 7d6c 7d69 ec16 d0d9 c67f 7d7d 56c9 ..}l}i......}}V.
00000080: 04c5 eb33 35fc e49e 2563 e908 ca10 0d45 ...35...%c.....E
00000090: 31ce afcf a022 e77a 34c6 fa46 46be d88f 1....".z4..FF...
000000a0: a41e ab79 446d 76d6 702b cf45 9e7f ba77 ...yDmv.p+.E...w
000000b0: 7dc2 779c 274e cc18 483c 3a12 0f75 f07c }.w.'N..H<:..u.|
000000c0: 5e63 67dd b886 ab48 e550 b5c4 f0e3 db0d ^cg....H.P......
000000d0: 54c1 85b8 8627 2ff3 2ff3 17f9 0626 d31d T....'/./....&..
000000e0: d9a6 e5b5 4076 663f 94ec 7b5a 17cf 7ade ....@vf?..{Z..z.
000000f0: 00d3 0d9f 4fcc d733 ef8d a0bb 0a06 c7eb ....O..3........
00000100: b304 6fb1 b1cc 18ed 90e0 8710 43aa 424f ..o.........C.BO
00000110: 50c7 d0c1 2bac 09be 4d1c 2566 335e 666c P...+...M.%f3^fl
00000120: 1e20 951d 58fd 6774 f3e9 f317 749f 7fc4 . ..X.gt....t...
00000130: d651 cdca f5a7 b0a5 aea4 08ab 055c e4c5 .Q...........\..
Кроме того, как ни странно, выходной файл, кажется, правильно открывается в TextWrangler!
wget
character-encoding
gzip
http
ΓΓIICK
источник
источник
xxd dubious.file
| голова -20` и в том числе в качестве обновления.Ответы:
Это сжатый GZIP файл. Вы можете выяснить это, запустив
file
команду, которая вычисляет формат файла по магическим числам в данных (вот как программы, такие как Text Wrangler, выясняют, что файл также сжат):Сервер (как я догадался из показанного вами контента) отправляет сжатые данные и правильно устанавливает заголовок
но wget не поддерживает это. В последних версиях wget отправляет
Accept-encoding: identity
серверу указание не сжимать или иным образом кодировать данные. В старых версиях вы можете отправить заголовок вручную:Однако этот конкретный сервер, похоже, сломан: он отправляет сжатые данные, даже когда им сказано не кодировать данные каким-либо образом. Так что вам придется распаковывать данные вручную.
источник
gunzip
же, как выfile
, если вы не хотите хранить временные. Возможно, вы захотите передать-c
или--to-stdout
(или назвать его какzcat
), чтобы вставить его в конвейер в вопросе, междуwget
иiconv
.Этот файл все еще сжат с
gzip
.Вы можете видеть, что первые два байта 0x1f8b соответствуют
gzip
подписи . Таким образом, чтобы прочитать данные, вам нужно распаковать их.Или
источник