☰

Wget이 HTML 대신 바이너리를 반환합니까?

tag-icon • tag-icon wget character-encoding gzip http
Wget이 HTML 대신 바이너리를 반환합니까?

저는 wget을 사용하여 정적 HTML 페이지를 다운로드하고 있습니다. W3C 유효성 검사기는 페이지가 UTF-8로 인코딩되었다고 알려줍니다. 그러나 파일을 다운로드한 후 고양이를 보내면 바이너리 쓰레기가 잔뜩 나옵니다. 저는 Ubuntu를 사용하고 있는데 기본 인코딩이 UTF-8인 줄 알았습니다. 그것이 내 로케일 파일이 말하는 것 같습니다. 왜 이런 일이 발생합니까? 이 문제를 어떻게 바로잡을 수 있나요?

또한 처럼 보입니다 Content-Encoding: gzip. 아마도 이것이 변화를 가져올 것입니까?

이것은 간단한 요청입니다:

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

나는 또한 이것을 시도했습니다 :

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

반품:iconv: illegal input sequence at position 40

파일을 포착하면 다음과 같은 바이너리 파일이 반환됩니다.

l�?חu�`�q"�:)s��dġ__��~i��6n)T�$H�#���QJ

결과 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...........\..

또한 이상하게도 출력 파일이 TextWrangler에서 올바르게 열리는 것 같습니다!

답변1

이것은보관소압축된 파일. 다음 명령을 실행하여 이를 찾을 수 있습니다.file파일 형식을 알아내는 명령매직넘버데이터에서(이것은 Text Wrangler와 같은 프로그램이 파일이 압축되었는지 확인하는 방법이기도 합니다):

file output.html
wget -O - … | file -

서버(당신이 보여준 내용으로 추측)는 압축된 데이터를 보내고 헤더를 올바르게 설정하고 있습니다.

Content-Encoding: gzip

그러나 wget은 이것을 지원하지 않습니다. 최신 버전에서는 wget이 Accept-encoding: identity서버에 데이터를 압축하거나 인코딩하지 말라고 지시하기 위해 를 보냅니다. 이전 버전에서는 헤더를 수동으로 보낼 수 있습니다.

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

그러나 이 특정 서버는 손상된 것으로 보입니다. 어떤 방식으로든 데이터를 인코딩하지 말라고 지시하더라도 압축된 데이터를 보냅니다. 따라서 수동으로 데이터의 압축을 풀어야 합니다.

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

답변2

파일은 여전히 gzip​​.

처음 2바이트 0x1f8b가 일치하는 것을 볼 수 있습니다.gzip징후. 따라서 데이터를 읽으려면 압축을 풀어야 합니다.

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

또는

zcat file.dat

관련 정보