Wget retornando binário em vez de html?

Question

Estou usando o wget para baixar uma página HTML estática. O Validador do W3C informa que a página está codificada em UTF-8. No entanto, quando cato o arquivo após o download, recebo um monte de binário absurdo. Estou no Ubuntu e achei que a codificação padrão era UTF-8? Isso é o que meu arquivo local parece dizer. Por que isso está acontecendo e como posso corrigi-lo?

Além disso, parece com Content-Encoding: gzip . Talvez isso faça um diff?

Esta é a solicitação simples:

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

Eu também tentei isso:

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

Que retornou: iconv: illegal input sequence at position 40

cat'ing o arquivo retorna binário que se parece com isto:

l�?חu�'�q"�:)s��dġ__��~i��6n)T�$H�#���QJ

Resultado de 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...........\..

Além disso, estranhamente, o arquivo de saída parece abrir corretamente no TextWrangler!

    

Answer 1

Este é um arquivo compactado gzip . Você pode descobrir isso executando o comando file , que calcula o formato do arquivo de números mágicos nos dados (é assim que programas como o Text Wrangler descobrem que o arquivo também é compactado):

file output.html
wget -O - … | file -

O servidor (eu adivinhei do conteúdo que você mostrou) está enviando dados compactados e configurando corretamente o cabeçalho

Content-Encoding: gzip

mas o wget não suporta isso. Em versões recentes, wget envia Accept-encoding: identity , para informar ao servidor para não compactar ou codificar os dados. Nas versões mais antigas, você pode enviar o cabeçalho manualmente:

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

No entanto, este servidor específico parece estar corrompido: ele envia dados compactados mesmo quando solicitado a não codificar os dados de forma alguma. Então você terá que descomprimir os dados manualmente.

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

    

Answer 2

Este arquivo ainda está compactado com gzip .

Você pode ver que os dois primeiros bytes 0x1f8b correspondem à gzip signature . Então, para ler os dados, você precisa descompactá-lo.

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

Ou

zcat file.dat