wget を使用して静的 HTML ページをダウンロードしています。W3C Validator によると、ページは UTF-8 でエンコードされています。しかし、ダウンロード後にファイルを cat すると、意味不明なバイナリが大量に表示されます。Ubuntu を使用していますが、デフォルトのエンコードは UTF-8 だと思っていました。ロケール ファイルにはそのように記載されています。なぜこのようなことが起こるのでしょうか。また、どうすれば修正できるのでしょうか。
また、 のように見えますContent-Encoding: gzip。おそらくこれによって違いが生じるのでしょうか?
これは簡単なリクエストです:
wget https://www.example.com/page.html
これも試してみました:
wget https://www.example.com/page.html -q -O - | iconv -f utf-16 -t utf-8 > output.html
返された結果:iconv: illegal input sequence at position 40
ファイルを cat すると、次のようなバイナリが返されます。
l�?חu�`�q"�:)s��dġ__��~i��6n)T�$H�#���QJ
の結果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、不思議なことに、出力ファイルは TextWrangler で適切に開くようです。
答え1
これは圧縮圧縮ファイルです。これを確認するには、fileコマンドは、ファイル形式を判別します魔法の数字データ内（これにより、Text Wrangler などのプログラムは、ファイルも圧縮されていることを認識します）:
file output.html
wget -O - … | file -
サーバーは（あなたが示した内容から推測すると）gzip圧縮されたデータを送信し、ヘッダーを正しく設定しています
Content-Encoding: gzip
しかし、wget はそれをサポートしていません。最近のバージョンでは、wget は を送信して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します。古いバージョンでは、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壊れているようです。データをエンコードしないように指示されているにもかかわらず、圧縮されたデータを送信します。そのため、データを手動で解凍する必要があります。
wget -O output.html.gz … && gunzip output.html.gz
答え2
このファイルは で圧縮されたままですgzip。
最初の2バイト0x1f8bがgzipサインしたがって、データを読み取るには、データを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