解决wget下载文件名乱码的一些方法

在下载用apache或者nginx做的索引目录时，遇到文件名乱码问题。搜索了不少资料，尝试了好几种方案，大家可以结合使用。

一般情况下加上–restrict-file-names=nocontrol参数就可以用了。

其实除了下面方法一和方法二外，还有一个大家可以自由发挥的，我是没有研究透，编码实在太让自己头疼了。

有一个前提，要注意索引目录显示出来的是什么编码，比如有些网站是UTF-8（这个应该比较正规，中文不会出现很大麻烦，可以用方法二搞定），有些是GBK，可能跟文件的编码，或者apache、nginx的设置有关吧。

1、下载的时候保存成ascii，跟方法三类似

^?Download download.txt

1	wget --restrict-file-names=ascii -m www.xxx.com/

2、用一个重命名软件，菲菲更名宝贝RenamePro8.0，相当好用。在“高级文件名变”更里面有一个“文件名编码与解码”，“ANSI编码URL字符串转换为文字”，大家可以多试试。
下载： RenamePro8.zip

3、如果不行，可以研究一下wget的一些参数，相关的有两个。
–local-encoding=ENC IRI (国际化资源标识符) 使用 ENC 作为本地编码。
–remote-encoding=ENC 使用 ENC 作为默认远程编码。

方法一
moper：这种方法是把文件名转换成ascii，加了一个–restrict-file-name=ascii参数，然后再用python写的一段程序，转换成win能够接受的编码。其实我们只需加另一个参数–restrict-file-names=nocontrol，就可以了。
完整命令为

^?Download download.txt

1	wget --restrict-file-names=nocontrol -m http://ebook.elain.org

（我解释的不专业请看正文，发觉编码好混乱哎）

《使用 wget 整站下载》
转自http://blog.csdn.net/kowity/article/details/6899256

最近发现一个很好的网站：http://ebook.elain.org，里面有大量的技术书籍。于是想使用 wget 把整个网站都下载下来。但是 wget 对中文的 url 支持得不够好，直接使用：

^?Download download.txt

1	wget -m http://ebook.elain.org

下载的话，中文文件名就会乱码，比如“2010架构师大会PPT”就变成了“2010鏋舵瀯甯堝ぇ浼歅PT”。

^?Download download.txt

1	wget --restrict-file-name=ascii -m http://ebook.elain.org

下载的话，中文文件名会编码成URL形式，比如比如“2010架构师大会PPT”就变成了“2010%E6%9E%B6%E6%9E%84%E5%B8%88%E5%A4%A7%E4%BC%9APPT”。主要是因为在网页上，中文 URL会以 UTF-8 来编码，而 Windows 存储文件名是用GBK编码。也就是说“2010鏋舵瀯甯堝ぇ浼歅PT”实际上是以 GBK 编码来显示的 UTF-8 编码的文件名。这样我们只要用 Python 写个编码转换器就可以了。代码如下：

^?Download download.txt

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46

import os, urllib, sys, getopt   class Renamer:   input_encoding = "" output_encoding = "" path = "" is_url = False   def __init__(self, input, output, path, is_url): self.input_encoding = input self.output_encoding = output self.path = path self.is_url = is_url   def start(self): self.rename_dir(self.path)   def rename(self, root, path): try: if self.is_url: new = urllib.unquote(path).decode(self.input_encoding).encode(self.output_encoding) else: new = path.decode(self.input_encoding).encode(self.output_encoding) os.rename(os.path.join(root, path), os.path.join(root, new)) except: pass   def rename_dir(self, path): for root, dirs, files in os.walk(path): for f in files: self.rename(root, f)   if dirs == []: for f in files: self.rename(root, f) else: for d in dirs: self.rename_dir(os.path.join(root, d)) self.rename(root, d) def usage(): print '''This program can change encode of files or directories. Usage: rename.exe [OPTION]... Options: -h, --help this document. -i, --input-encoding=ENC set original encoding, default is UTF-8. -o, --output-encoding=ENC set output encoding, default is GBK. -p, --path=PATH choose the path which to process. -u, --is-url whether as a URL '''     def main(argv): input_encoding = "utf-8" output_encoding = "gbk" path = "" is_url = True   try: opts, args = getopt.getopt(argv, "hi:o:p:u", ["help", "input-encoding=", "output-encoding=", "path=", "is-url"]) except getopt.GetoptError: usage() sys.exit(2) for opt, arg in opts: if opt in ("-h", "--help"): usage() sys.exit() elif opt in ("-i", "--input-encoding"): input_encoding = arg elif opt in ("-o", "--output-encoding"): output_encoding = arg elif opt in ("-p", "--path"): path = arg elif opt in ("-u", "--is-url"): is_url = True   rn = Renamer(input_encoding, output_encoding, path, is_url) rn.start()   if __name__ == '__main__': main(sys.argv[1:])

如果 wget 是使用以下命令行来下载：

^?Download download.txt

1	wget --restrict-file-name=ascii -m http://ebook.elain.org

那么下载下来的文件是“2010%E6%9E%B6%E6%9E%84%E5%B8%88%E5%A4%A7%E4%BC%9APPT”形式，运行脚本时就使用以下命令：

^?Download download.txt

1	rename.py -i utf-8 -o gbk -p R:\ebook.elain.org -u

方法二
改wget源代码

moper：不推荐这种方法，因为比较麻烦，我也没有测试，可能这种效果会好一些吧。

文章一《wget中文乱码解决方案》

用wget下载网页时，若文件名含有非ASCII字符或其他特殊字符，就会出现所谓的乱码。若想解决中文乱码的问题，可以修改wget的源代码。
对URL字符串进行编码的源代码文件是url.c。其中，url_file_name()的功能是根据URL判断应该以什么文件名保存文件。而该函数又调用了append_uri_pathel()，该函数调用了FILE_CHAR_TEST()宏，它用于判断URL中的字符是不是特殊字符（也就是需要进行URL编码的字符。当然，包括中文）。问题就出在这个宏身上了。为了不对中文转义，需要将中文字符当作普通字符对待。将如下所示的FILE_CHAR_TEST()宏：

^?Download download.txt

1 2 3

#define FILE_CHAR_TEST(c, mask) \ ((opt.restrict_files_nonascii && !c_isascii ((unsigned char)(c))) || \ (filechr_table[(unsigned char)(c)] & (mask)))

修改为：

^?Download download.txt

1 2 3 4

#define FILE_CHAR_TEST(c, mask) \ (((opt.restrict_files_nonascii && !c_isascii ((unsigned char)(c))) || \ (filechr_table[(unsigned char)(c)] & (mask))) \ && !((c|0x0fffffff) == 0xffffffff)) /* 排除中文 */

文章二《解決wget中文亂碼問題的非完善方案》

1. 出現亂碼的原因

　　http請求的流程如下：
　　(1) 瀏覽器按URL編碼規則將URL（包括post或get提交的那一部分）字符串編碼之後發送給服務器；
　　(2) 服務器將所收到的字符串轉換為unicode編碼，處理完瀏覽器的請求後再把它發送給瀏覽器；
　　(3) 瀏覽器按指定的編碼顯示網頁。
　　在不同的字符編碼格式下，瀏覽器對包含諸如中文之類的非ACSII字符的URL字符串的解析結果是不一樣的。從而，URL編碼對象就不一樣了。wget下載網頁文件時，實質上是一個瀏覽器。它同樣會對所提交的URL字符串按URL編碼規則編碼。因此，所下載的文件的文件名就是經過編碼（先是按URL規則編碼，接著是unicode編碼，最後是unicode到瀏覽器端所設定的編碼）之後的字符串。如果瀏覽器端採用的是unicode編碼，則結果是一串由’%'、數字和字母組成的字符串；否則，將unicode編碼格式的URL字符串解析為瀏覽器端的編碼格式，這可能會產生非ACSII字符。我們所說的亂碼，包括這兩種情況。也就是說，跟原來的文件名不一樣，我們就管它出現亂碼。

2. 解決方案

　　由于上述原因，我們有必要修改wget的源代碼。對URL字符串進行編碼的源代碼文件是url.c。其中，url_file_name()的功能是根據URL判斷應該以什　文件名保存文件。而該函數又調用了append_uri_pathel()，該函數調用了FILE_CHAR_TEST()宏，它用于判斷URL中的字符是不是特殊字符（也就是需要進行URL編碼的字符。當然，包括中文）。問題就出在這個宏身上了。為了不對中文轉義，需要將中文字符當作普通字符對待。將如下所示的FILE_CHAR_TEST()宏：

^?Download download.txt

1 2 3

#define FILE_CHAR_TEST(c, mask) \ 　　　　((opt.restrict_files_nonascii && !c_isascii ((unsigned char)(c))) || \ 　　　　(filechr_table[(unsigned char)(c)] & (mask)))

修改為：

^?Download download.txt

1 2 3 4

#define FILE_CHAR_TEST(c, mask) \ 　　　　(((opt.restrict_files_nonascii && !c_isascii ((unsigned char)(c))) || \ 　　　　(filechr_table[(unsigned char)(c)] & (mask))) \ 　　　　&& !((c|0x0fffffff) == 0xffffffff)) /* 排除中文 */

　　另外，如果使用unicode編碼方案的話，就不會出現上述第二種亂碼。因此，可以將瀏覽器端的字符編碼環境設置為unicode。這裡，選擇UTF-8編碼方案（UCS Transformation Format）。方法是在main.c的i18n_initialize最後加上：

^?Download download.txt

1	'setlocale(LC_CTYPE, "zh_CN.UTF-8");'

。
　　這不是一個很好的解決方案。另外，它沒辦法解決其他語言的亂碼問題。當然，可以將url_file_name()中的URL編碼部份統統拿掉。這樣做的結果是，不出現亂碼，現時亦違背了URL編碼的初衷－－安全。不過我還沒想到更簡單的方案。這是一種暫行方案。希望官方的解決方案的出現不會路漫漫其修遠兮。。。

wget 抓取中文乱码问题解决

wget国际化程度显然还不够（终于明白微软为什么有ANSI和UNICODE编码了），在下载过程中,如果遇到文件名中有中文的话，十有八九下载回来的文件会是一堆乱码。

google了一下，必须自己编译wget来解决这个中文乱码问题。

1、先从GNU网站上下载wget源码包。http://ftp.gnu.org/gnu/wget/ 我下载的是最新的wget-1.14.tar.gz

tar xzvf wget-1.14.tar.gz 解压

cd wget-1.14

修改src目录下的url.c文件：

第1300行

#define FILE_CHAR_TEST(c, mask) \

((opt.restrict_files_nonascii && !c_isascii ((unsigned char)(c))) || \

(filechr_table[(unsigned char)(c)] & (mask)))

修改为：

#define FILE_CHAR_TEST(c, mask) \

(((opt.restrict_files_nonascii && !c_isascii ((unsigned char)(c))) || \

(filechr_table[(unsigned char)(c)] & (mask))) \

&& !((c|0x0fffffff) == 0xffffffff)) /* 排除中文 */

第1416行

/* Walk the PATHEL string and check how many characters we'll need

to quote.  */

for (p = b; p < e; p++)
  if (FILE_CHAR_TEST (*p, mask))
    ++quoted;

修改为：

for (p = b; p < e; p++)
  if (FILE_CHAR_TEST (*p, mask) && !((*p | 0x0fffffff) == 0xffffffff))
    ++quoted;

2、安装GNUTLS

sudo install gnutls-bin

3、生成makefile

./configure --with-ssl=openssl

make

4、复制到目录

备份一下

sudo cp /usr/bin/wget /usr/bin/wget_backup

sudo cp ./src/wget /usr/bin/wget