Wget restituisce binario anziché html?

Sto usando wget per scaricare una pagina HTML statica. Il validatore W3C mi dice che la pagina è codificata in UTF-8. Tuttavia, quando eseguo il cat del file dopo il download, ricevo un mucchio di sciocchezze binarie. Sono su Ubuntu e ho pensato che la codifica predefinita fosse UTF-8? Questo è ciò che sembra dire il mio file locale. Perché sta succedendo e come posso correggerlo?

Inoltre, sembra Content-Encoding: gzip. Forse questo fa una differenza?

Questa è la semplice richiesta:

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

Ho anche provato questo:

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

Che ha restituito: iconv: illegal input sequence at position 40

cat'ing il file restituisce un file binario simile al seguente:

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

Risultato di 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...........\..

Inoltre, stranamente, il file di output sembra aprirsi correttamente in TextWrangler!

Questo è un file compresso gzip . Puoi scoprirlo eseguendo il filecomando, che calcola il formato del file dai numeri magici nei dati (è così che programmi come Text Wrangler scoprono che anche il file è compresso):

file output.html
wget -O - … | file -

Il server (l'ho indovinato dal contenuto che hai mostrato) sta inviando i dati compressi e impostando correttamente l'intestazione

Content-Encoding: gzip

ma wget non lo supporta. Nelle versioni recenti, wget invia Accept-encoding: identity, per dire al server di non comprimere o altrimenti codificare i dati. Nelle versioni precedenti, è possibile inviare l'intestazione manualmente:

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

Tuttavia, questo particolare server sembra essere rotto: invia dati compressi anche quando viene detto di non codificare i dati in alcun modo. Quindi dovrai decomprimere i dati manualmente.

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

Questo file è ancora compresso con gzip.

Puoi vedere che i primi due byte 0x1f8b corrispondono alla gzipfirma . Quindi per leggere i dati è necessario decomprimerli.

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

O

zcat file.dat