Wget下载含中文字符的资源的出现乱码现象的分析和处理

--restrict-file-names=OS  限定文件名中的字符为 OS 允许的字符。
--restrict-file-names=OS  restrict chars in file names to ones OS allows.

在路由器上做离线下载时，移植了wget，发现乱码现象，现记录如下。

1 现象

1.1 ftp_server.exe工具(或windowns XP IIS 中的FTP服务器)

wget自动将中文转为URL编码，下载不成功。

1.2 WingFTP工具

wget自动将中文转为URL编码，下载成功。

2 分析和处理

每个操作系统有自己的编码，中文的windows系统默认编码为GBK。每个应用程序也有自己的编码，它可以直接采用操作系统默认的编码，也可以设置为其它的编码。

wget下载时，编码转换过程
wget(浏览器)->任何特殊的字符（就是那些不是简单的七位ASCII，如汉字）进行URL编码->unicode编码（服务器）->浏览器设定的编码。
1）浏览器设定的编码为unicode，则结果是一串由"%"、数字和字母组成的字符串。
2）如果浏览器不是unicode编码，则将unicode编码转换为浏览器端的编码格式，这时就可能产生乱码。

从上面的图片中可以看出，wget在下载时，先自动将中文字符转为URL编码，然后再进行下载。ftp_server 是不支持url编码解码的，也就是ftp_server回应wget对含有url编码资源的请求时，会回复没有这个资源。Windows XP的IIS也存在同样的问题。而wingFTP是可以支持URL编码解码的，所以wget下载wingFTP上的含有中文字符资源时，是可以将该资源下载下来的。但中文乱码还没有完全解决：用wget下载时，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。即下载下来的资源的名字包含乱码。如下图：

下面说说两种解决的方法：

• 加入 --restrict-file-names=nocontrol 命令参数

该参数的说明如下

--restrict-file-names=OS  限定文件名中的字符为 OS 允许的字符。
--restrict-file-names=OS  restrict chars in file names to ones OS allows.

• 修改url.c

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：

#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 */

这个做法在wget 1.12中没有作用，其他版本没有尝试过。但如果拿掉FILE_CHAR_TEST()（ if (!FILE_CHAR_TEST (*p, mask)) ）的判断是可以的，这样就不出现乱码，但却违背了URL编码的初衷——安全。

说明：wget版本为1.12。