HTMLの代わりにバイナリを返すWget？

wgetを使用して静的なHTMLページをダウンロードしています。W3C Validatorは、ページがUTF-8でエンコードされていることを教えてくれます。それでも、ダウンロード後にファイルをcatすると、大量のバイナリナンセンスが得られます。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はUTF-8だと思いましたか？それは私のロケールファイルが言っているようです。なぜこれが起こっているのですか、どうすれば修正できますか？

また、のように見えますContent-Encoding: gzip。おそらくこれは差分になりますか？

これは簡単なリクエストです：

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

返されたもの： iconv: illegal input sequence at position 40

ファイルをcat'ing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

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、出力ファイルはTextWranglerで適切に開くようです！

— ΓΓIICK
ソース

使用されているコマンドと生成されている出力を提供するために質問を修正すると、ここで大きな助けになるでしょう。

— スティーブ

LANG = EN_US.UTF-8のiconv：位置40における不正入力シーケンス

— ΓΓIICK

「バイナリナンセンス」がどのように見えるかを教えていただけますか？実行することをお勧めします： xxd dubious.file| ヘッド-20`およびそれを更新として含めます。

— ブルースエディガー

@BruceEdigerが更新されました。

— ΓΓIICK

また、奇妙なことに、出力ファイルはTextWranglerで正しく開くようです！

— ΓΓIICK

回答:

これはgzip圧縮ファイルです。これは、データ内のマジックナンバー fileからファイル形式を計算するコマンドを実行することで確認できます（これにより、Text Wranglerなどのプログラムがファイルが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（あなたが示したコンテンツから推測した）は、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Accept-encoding: identityして、データを圧縮またはエンコードしないようにサーバーに指示します。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に見えます。データをエンコードしないように指示された場合でも、圧縮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

— ジル「SO-悪であるのをやめる」
ソース

非常に良い分析

— ロアイマ

ところで、一時的なものを保存したくない場合は、にgunzip行うのと同じ方法でパイプすることができfileます。あなたは合格することがあります-cか--to-stdout（またはとしてそれを呼び出すzcat）との間で、問題のパイプラインに挿入するwgetとiconv。

— トビーSpeight

このファイルはまだ圧縮されていgzipます。

最初の2バイト0x1f8bがgzip署名と一致することがわかります。したがって、データを読み取るには、圧縮を解除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

— ロアイマ
ソース