Wget 返回二进制文件而不是 html？

Question

我正在使用 wget 下载静态 html 页面。W3C 验证器告诉我该页面以 UTF-8 编码。然而，当我在下载后查看文件时，我得到了一堆二进制废话。我在 Ubuntu 上，我认为默认编码是 UTF-8？这就是我的语言环境文件似乎所说的。为什么会发生这种情况，我该如何纠正？

另外，看起来像Content-Encoding: gzip。也许这会有所不同？

这是一个简单的请求：

wget https://www.example.com/page.html

我也试过这个：

wget https://www.example.com/page.html -q -O - | iconv -f utf-16 -t utf-8 > output.html

哪个返回： iconv: illegal input sequence at position 40

cat'ing 文件返回如下所示的二进制文件：

l???u?`?q"?:)s??d?__??~i??6n)T?$H?#???QJ

结果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...........\..

此外，奇怪的是，输出文件似乎在 TextWrangler 中正确打开！

Answer 1

这是一个gzip压缩文件。您可以通过运行以下file命令找到这一点，该命令根据数据中的幻数计算出文件格式（这就是 Text Wrangler 等程序确定文件已被压缩的方式）：

file output.html
wget -O - … | file -

服务器（我从你展示的内容中猜到了）正在发送 gzipped 数据并正确设置标题

Content-Encoding: gzip

但 wget 不支持。在最近的版本中， wget 发送Accept-encoding: identity, 告诉服务器不要压缩或以其他方式编码数据。在旧版本中，您可以手动发送标头：

wget --header 'Accept-encoding: identity' …

然而，这个特定的服务器似乎坏了：即使被告知不要以任何方式对数据进行编码，它也会发送压缩数据。因此，您必须手动解压缩数据。

wget -O output.html.gz … && gunzip output.html.gz

Answer 2

此文件仍使用gzip.

您可以看到前两个字节 0x1f8b 与gzip签名匹配。因此，要读取数据，您需要对其进行解压缩。

mv file.dat file.dat.gz
gunzip file.dat.gz

或者

zcat file.dat