私はwgetを使って静的HTMLページをダウンロードしています。 W3Cバリデータは、ページがUTF-8でエンコードされたことを通知します。しかし、ファイルをダウンロードした後に猫を送ると、バイナリごみがたくさん出ます。私はUbuntuを使用していますが、デフォルトのエンコーディングがUTF-8であると思いました。それは私のロケールファイルが言うようです。なぜこれが起こるのですか?この問題をどのように修正できますか?
また、のように見えますContent-Encoding: gzip
。おそらくこれは変化をもたらすでしょうか?
これは簡単な要求です:
wget https://www.example.com/page.html
私もこれを試しました:
wget https://www.example.com/page.html -q -O - | iconv -f utf-16 -t utf-8 > output.html
返品:iconv: illegal input sequence at position 40
ファイルをキャプチャすると、次のバイナリファイルが返されます。
l�?חu�`�q"�:)s��dġ__��~i��6n)T�$H�#���QJ
結果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...........\..
また、奇妙なことに、出力ファイルがTextWranglerで正しく開くようです!
答え1
これはアーカイブ圧縮ファイル。次のコマンドを実行してそれを見つけることができます。file
ファイル形式を調べるコマンドマジックナンバーデータから(これはText Wranglerなどのプログラムがファイルが圧縮されているかどうかを確認する方法でもあります):
file output.html
wget -O - … | file -
サーバー(あなたが示したものと推測)は圧縮データを送信し、ヘッダーを正しく設定しています。
Content-Encoding: gzip
しかし、wgetはこれをサポートしていません。最新バージョンでは、wgetはAccept-encoding: identity
サーバーにデータを圧縮またはエンコードしないように指示するために送信します。以前のバージョンでは、ヘッダーを手動で送信できます。
wget --header 'Accept-encoding: identity' …
ただし、この特定のサーバーは破損しているようです。何らかの方法でデータをエンコードしないように指示しても、圧縮されたデータを送信します。したがって、手動でデータを解凍する必要があります。
wget -O output.html.gz … && gunzip output.html.gz
答え2
ファイルはまだgzip
。
最初の2バイト0x1f8bが一致することがわかります。gzip
兆候。したがって、データを読み取るには解凍する必要があります。
mv file.dat file.dat.gz
gunzip file.dat.gz
または
zcat file.dat