可可熊的窝

昨天打算用wget把kerneltravel上的深入分析Linux内核源码全部下载到本机，没想到使用wget下载到本地时文件名全部是乱码：

[cocobear@cocobear ~]$ wget -r -p -k -np http://www.kerneltravel.net/kernel-book/深入分析Linux内核源码.html
–19:52:02– http://www.kerneltravel.net/kernel-book/%E6%B7%B1%E5%85%A5%E5%88%86%E6%9E%90Linux%E5%86%85%E6%A0%B8%E6%BA%90%E7%A0%81.html
=> `www.kerneltravel.net/kernel-book/深�%85��%88%86�%9E%90Linux�%86%85核��%90��%81.html’
正在解析主机 www.kerneltravel.net… 202.75.211.215
Connecting to www.kerneltravel.net|202.75.211.215|:80… 已连接。
已发出 HTTP 请求，正在等待回应… 200 OK
长度：133,528 (130K)

100%[====================================>] 133,528 60.71K/s

19:52:05 (60.57 KB/s) – `www.kerneltravel.net/kernel-book/深�%85��%88%86�%9E%90Linux�%86%85核��%90��%81.html’ saved [133528/133528]

google了半天也没有找到解决方案，似乎也有不少人碰到这个问题。仔细想了想应该是wget在处理url时的问题，于是下载了最新的wget源代码开始找问题。

基本看完了main.c这个文件，后来在url.c这个文件里找到了wget如何处理保存的文件名，url_file_name()这个函数。

url_file_name()在根据url的形式判断该保存为什么样的文件名，并进行了多方面的考虑，最终该函数调用了append_uri_pathel()，该函数会判断url中的特殊字符，例如空格等，如果遇到这些字符wget把它进行转义，而问题就出在这里，append_uri_pathel()函数是通过FILE_CHAR_TEST (*p, mask)这一句来判断该字符是否为特殊字符，而同时它会认为中文也是特殊字符，然后按照转换空格之类的方式对中文进行转义，这样就会造成中文乱码的情况，知道了问题所在我在append_uri_pathel()函数对特殊字符的判断中排除了中文字符。

接下来重新编译wget，再试一次：

[cocobear@cocobear src]$ ./wget -r -p -k -np http://www.kerneltravel.net/kernel-book/深入分析Linux内核源码.html
–2008-04-19 20:16:34– http://www.kerneltravel.net/kernel-book/%E6%B7%B1%E5%85%A5%E5%88%86%E6%9E%90Linux%E5%86%85%E6%A0%B8%E6%BA%90%E7%A0%81.html
Resolving www.kerneltravel.net… 202.75.211.215
Connecting to www.kerneltravel.net|202.75.211.215|:80… connected.
HTTP request sent, awaiting response… 200 OK
Length: 133528 (130K)
Saving to: `www.kerneltravel.net/kernel-book/深入分析Linux内核源码.html’

74% [===========================> ] 98,832 79.7K/s

可以看到wget可以正确的把中文的网页保存下来了:-)

我的locale是utf-8，如果使用gbk的话wget上面的网页会得到404错误，因为gbk环境下wget发出来GET请求是按照gbk编码的方式进行转义，而服务器对接收到的GET请求中的URL是按照UTF-8的方式进行“解码”，因此会得到404的错误。（早上测试的时候还是这样的，但下这会写这篇文章的时候gbk环境下使用wget也正常了，郁闷）

以下是我修改后的url.c与原文的diff:
[cocobear@cocobear ~]$ diff -u wget-1.11.1/src/url.c Codes/wget-1.11.1/src/url.c
— wget-1.11.1/src/url.c 2008-04-19 11:42:24.000000000 +0800
+++ Codes/wget-1.11.1/src/url.c 2008-04-19 11:56:49.000000000 +0800
@@ -1332,11 +1332,10 @@
/* Walk the PATHEL string and check how many characters we’ll need
to quote. */
quoted = 0;
- for (p = b; p < e; p++) {
- if (FILE_CHAR_TEST (*p, mask) && !((*p | 0x0fffffff) == 0xffffffff)) {
+ for (p = b; p < e; p++)
+ if (FILE_CHAR_TEST (*p, mask) && !((*p | 0x0fffffff) == 0xffffffff))
++quoted;
- }
- }
+
/* Calculate the length of the output string. e-b is the input
string length. Each quoted char introduces two additional
characters in the string, hence 2*quoted. */

以上仅仅是我自己对wget的一些分析、看法，如有错误请路过的指正一下。

BTW：
(1):http://www.sfr-fresh.com这个网站不错，有不少源代码在上面可以在线看。
(2):深入分析Linux内核源码这本书打包下载(html格式):http://cocobear.info/download/Understand_Linux_kernel.tar.bz2

Update1(08.4.20):
这个问题是wget对国际化的字符支持不好，目前google summer code已经有人在这方面进行改进，期待。我的解决方案只是临时的，只能针对utf-8环境。