3

我正在使用std.net.curl模块从删除网页中获取 HTML。但是我在编码方面有一些问题，我不知道如何解决。某些页面，例如facebook.com我收到以下错误消息（运行时）：

std.net.curl.CurlException@/usr/include/d/dmd/phobos/std/net/curl.d(800): Invalid encoding sequence for enconding 'utf-8'
----------------
./foo(char[] std.net.curl._decodeContent!(char)._decodeContent(ubyte[], immutable(char)[])+0xf6) [0x812e6ba]
./foo(char[] std.net.curl._basicHTTP!(char)._basicHTTP(const(char)[], const(void)[], std.net.curl.HTTP)+0x28e) [0x80f89f6]
./foo(char[] std.net.curl.get!(std.net.curl.HTTP, char).get(const(char)[], std.net.curl.HTTP)+0x8f) [0x80f8737]
./foo(immutable(char)[] teste.get_html(immutable(char)[])+0x112) [0x80f0806]
./foo(_Dmain+0x5f) [0x80f06e3]
./foo(extern (C) int rt.dmain2.main(int, char**).void runMain()+0x14) [0x8138340]
./foo(extern (C) int rt.dmain2.main(int, char**).void tryExec(scope void delegate())+0x18) [0x8137e50]
./foo(extern (C) int rt.dmain2.main(int, char**).void runAll()+0x32) [0x8138382]
./foo(extern (C) int rt.dmain2.main(int, char**).void tryExec(scope void delegate())+0x18) [0x8137e50]
./foo(main+0x94) [0x8137e04]
/lib/libc.so.6(__libc_start_main+0xf3) [0xb7593003]

对于google.com，我得到（我得到二进制文件了吗？如何？）

�S��7�砱�y�����g�d��C���|��W��O�s��~����*6��@�4�&�A�J����r▒4=�FT�e�� [...]

因为dlang.org它工作正常。

问题是：阅读它的正确方法是什么？独立于页面编码。

这是我的 D 代码：

string get_html(string page) {
  auto client = HTTP(); 
  client.clearRequestHeaders();
  client.addRequestHeader("DNA", "1");
  client.addRequestHeader("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8");
  client.addRequestHeader("Accept-Encoding", "gzip, deflate");
  client.addRequestHeader("User-Agent", "Mozilla/5.0 (X11; Linux i686; rv:7.0.1) Gecko/20100101 Firefox/7.0.1");
  client.addRequestHeader("Accept-Charset", "ISO-8859-1,utf-8;q=0.7,*;q=0.7");

  return cast(string)get(page, client);
}

提前致谢。

4

2 回答 2

4

cast(string)get(page, client)任何非UTF-8序列都失败。

使用standaloneget和post函数，它们根据服务器发送的headers对内容进行解码并返回valid UTF-8。

于 2012-08-16T12:02:29.747 回答
1

curl 真的支持 gzip 和 deflate 编码以及 ISO-8859-1 字符集吗？您真的应该自己指定这些标头，而不是让 curl 自己声明它支持的编码和字符集吗？

要回答您的问题：

问题是：阅读它的正确方法是什么？独立于页面编码。

您查看服务器发送给您的标头，其中包含页面编码和字符集，然后根据这些标头解释数据（例如，调用 zlib 解压缩或膨胀数据，然后将解压缩的 HTML 转换为 UTF-8）。

于 2012-08-16T10:37:10.867 回答