Voulez-vous retourner le binaire au lieu du HTML?

J'utilise wget pour télécharger une page html statique. Le validateur W3C m'indique que la page est encodée en UTF-8. Pourtant, lorsque je cat le fichier après le téléchargement, je reçois un tas de bêtises binaires. Je suis sur Ubuntu, et je pensais que l'encodage par défaut était UTF-8? C'est ce que mon fichier de paramètres régionaux semble dire. Pourquoi cela se produit-il et comment puis-je le corriger?

Aussi, ressemble Content-Encoding: gzip. Peut-être que cela fait un diff?

Voici la simple demande:

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

J'ai également essayé ceci:

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

Qui a renvoyé: iconv: illegal input sequence at position 40

cat'ing le fichier retourne un binaire qui ressemble à ceci:

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

Résultat 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...........\..

Aussi, étrangement, le fichier de sortie semble s'ouvrir correctement dans TextWrangler!

Il s'agit d'un fichier compressé gzip . Vous pouvez le découvrir en exécutant la filecommande, qui détermine le format de fichier à partir des nombres magiques dans les données (c'est ainsi que des programmes tels que Text Wrangler déterminent que le fichier est également compressé):

file output.html
wget -O - … | file -

Le serveur (je l'ai deviné à partir du contenu que vous avez montré) envoie des données compressées et définit correctement l'en-tête

Content-Encoding: gzip

mais wget ne supporte pas cela. Dans les versions récentes, wget envoie Accept-encoding: identity, pour dire au serveur de ne pas compresser ou autrement encoder les données. Dans les anciennes versions, vous pouvez envoyer l'en-tête manuellement:

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

Cependant, ce serveur particulier semble être en panne: il envoie des données compressées même lorsqu'on lui dit de ne pas coder les données de quelque manière que ce soit. Vous devrez donc décompresser les données manuellement.

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

Ce fichier est toujours compressé avec gzip.

Vous pouvez voir que les deux premiers octets 0x1f8b correspondent à la gzipsignature . Donc, pour lire les données, vous devez les décompresser.

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

Ou

zcat file.dat