Html के बजाय बाइनरी लौटना भूल गए?

Question

मैं एक स्थिर HTML पेज डाउनलोड करने के लिए wget का उपयोग कर रहा हूं। W3C मान्य मुझे बताता है कि पृष्ठ UTF-8 में एन्कोडेड है। फिर भी जब मैं डाउनलोड के बाद फ़ाइल को बिल्ली करता हूं, तो मुझे बाइनरी बकवास का एक गुच्छा मिलता है। मैं उबंटू पर हूं, और मुझे लगा कि डिफ़ॉल्ट एन्कोडिंग UTF-8 थी? ऐसा मेरा लोकेल फाइल लगता है। यह क्यों हो रहा है और मैं इसे कैसे सही कर सकता हूं?

इसके अलावा, जैसा दिखता है Content-Encoding: gzip। शायद यह एक फर्क पड़ता है?

यह सरल अनुरोध है:

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

मैंने भी यह कोशिश की:

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

जो लौटा: iconv: illegal input sequence at position 40

इस प्रकार दिखाई देने वाली फ़ाइल को बाइनरी लौटाता है:

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

परिणाम 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...........\..

इसके अलावा, अजीब बात है, TextWrangler में आउटपुट फ़ाइल ठीक से खुलती है!

Comments

आदेश का उपयोग किया जा रहा है और उत्पन्न होने वाले उत्पादन को प्रदान करने के लिए सवाल को संशोधित करने से यहां बहुत मदद मिलेगी।

— स्टीव

LANG = en_US.UTF-8 iconv: अवैध इनपुट अनुक्रम 40 की स्थिति में

— 6IICK

क्या आप हमें दिखा सकते हैं कि "बाइनरी बकवास" कैसा दिखता है? मैं सुझाव देना चाहूँगा: xxd dubious.file| सिर -20` और एक अद्यतन के रूप में शामिल है।

— ब्रूस एडगर

@BruceEdiger अपडेट किया गया।

— 20

इसके अलावा, अजीब बात है, TextWrangler में आउटपुट फ़ाइल सही ढंग से खुलती है!

— ΓΓIICK

Answer 1

यह एक gzip संपीड़ित फ़ाइल है। आप fileकमांड को चलाकर यह पता लगा सकते हैं कि डेटा में मैजिक नंबरों से फाइल फॉर्मेट का आंकड़ा क्या है (इस तरह से टेक्स्ट रैंगलर जैसे प्रोग्राम यह पता लगाते हैं कि फाइल कंप्रेस्ड है):

file output.html
wget -O - … | file -

सर्वर (मैंने आपको दिखाई गई सामग्री से यह अनुमान लगाया है) gzipped data भेज रहा है और सही ढंग से हेडर सेट कर रहा है

Content-Encoding: gzip

लेकिन wget उस का समर्थन नहीं करता है। हाल के संस्करणों में, wget भेजता है Accept-encoding: identity, सर्वर को डेटा को संपीड़ित या अन्यथा एनकोड करने के लिए नहीं कहता है। पुराने संस्करणों में, आप हेडर को मैन्युअल रूप से भेज सकते हैं:

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

हालाँकि यह विशेष सर्वर टूटा हुआ प्रतीत होता है: यह किसी भी तरह से डेटा को एनकोड करने के लिए नहीं कहा जाने पर भी संकुचित डेटा भेजता है। तो आपको मैन्युअल रूप से डेटा को डिकम्प्रेस करना होगा।

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

Comments

बहुत अच्छा विश्लेषण

— रोएमा

BTW, आप gunzipउसी तरह से पाइप कर सकते हैं जैसे आप करते हैं file, यदि आप अस्थायी स्टोर नहीं करना चाहते हैं। उत्तीर्ण होने के लिए चाहते हो सकता है -cया --to-stdout(या के रूप में यह फोन zcat) यह बीच, प्रश्न में पाइप लाइन में डालने के लिए wgetऔर iconv।

— टॉबी स्पाइट नाइट

Answer 2

यह फ़ाइल अभी भी संकुचित है gzip।

आप देख सकते हैं कि पहले दो बाइट्स 0x1f8b gzipहस्ताक्षर से मेल खाते हैं । इसलिए डेटा को पढ़ने के लिए आपको इसे अनलॉक्ड करना होगा।

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

या

zcat file.dat