Question

我正在使用std.net.curl模块从删除网页获取HTML。但我在编码方面遇到了一些问题，我不知道如何修复。某些页面，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？怎么样？）

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

对于dlang.org，它可以正常工作。

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。

Answer 1

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

使用独立的get和post函数，这些函数根据服务器发送的标头解码内容并返回有效的UTF-8。

Answer 2

curl真的支持gzip和deflate编码以及ISO-8859-1字符集吗？你真的应该自己指定那些头文件，而不是让curl本身声明它支持的编码和字符集吗？

回答你的问题：

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，然后您根据这些标头解释数据（例如，将zlib调用到ungzip或对数据进行膨胀，然后将解压缩的HTML转换为UTF-8 ）。

编码'utf-8'的编码序列无效

2 个答案: