Html soubor a kódování (diskuse)

[rADOn]

…čím se mám řídit, abych neměl problémy se správným zobrazováním textu v prohlížeči, s fungováním odkazů na další uložené stránky, doplňkovými soubory k stránce a podobně?…

Pokud je autor stranky hovado a do url strka nezakodovane non-ascii paznaky - a z tveho popisu to tak vypada - tak je nejlepsi reseni najit ho a nakopat do zadku

[Filip Jirsák]

Ty znaky do názvu adresáře strká prohlížeč. To, že počítače psaly cesky, protoze to jinak neumely, se možná dalo tolerovat v devadesátých letech, ne dnes.

[rADOn]

Znaky v nazvu adresare s tim nemaji co delat, to je zalezitost systemovyho locale a DWD nepsal nic o tom ze by s nim sachoval. Znaky v URL jsou vec jina, a ty musi byt v 7bit ASCII protoze RFC to netoleruje ani dnes. A to z dobreho duvodu. Cili pokud to nekdo nezakoduje nebo zakoduje blbe (v jine sade nez zbytek dokumentu) tak to bude blbe. At to tolerujes nebo ne

[Filip Jirsák]

Při ukládání webové stránky i s příslušenstvím je změna všech URL to jediné, co musí prohlížeč opravdu udělat, aby to vůbec mohlo fungovat. Asi by bylo zbytečné, aby prohlížeč ukládal na disk soubor obrazek.png, a v HTML nechal odkaz na http://www.example.com/obrazek.png. O šachování s locale autor psal, takže bych problém hledal právě tam.

[Filip Jirsák]

Žádná univerzální pravidla neexistují. Uložení stránky i s příslušenstvím je věcí prohlížeče a záleží jenom na tom, jak jeho programátoři tule funkci pojali, jaké konverze udělají atd. Názvy souborů jsou v Linuxu jen pole bajtů, takže interpretace jako text je až na programu (nebo knihovních funkcích, které používá). V praxi tedy záleží na použitém locale – s jakým program spustíte, tak bude interpretovat bajty v názvech souborů. Technicky správné by bylo, aby typ souboru a jeho kódování bylo uloženo jako metadata souboru (podobně jako název, čas atd.), v Linuxu tedy v rozšířených atributech souboru. Dokonce už je na to nějaký standard z dílny x.org – ale nepoužívá se. Se jmény souborů je to podobné, kódování by mělo být uloženo někde v metadatech souborového systému (nebo by měl souborový systém nějaké kódování určit napevno, třeba UTF8 nebo UCS–2), a systém by měl při získávání jména souborů provádět přemapování a poskytovat název jako text – kdy se něčeho takového v Linuxu dočkáme je ovšem ve hvězdách.

[reqw5q23]

Ja bych svoje zkusenosti shrnul takhle:

* Psani cesky na html strankach neni problem. Clovek musi dodrzet jen zakladni zasadu a ulozit to ve stejnem kodovani jake je napsane v meta tagu charset. UTF-8 je pravdepodobne dobra volba.

* V obecnych dokumentech (psany v editoru, treba kile,..) vetsinou neni kodovani zaznamenane, takze plati predchozi bod s tim, ze si musis pamatovat v jakem je to kodovani.

* Pouzivani ceskych znaku mimo obsah dokumentu je v kazdem pripade velke riziko a zasadne ho nedoporucuju. Dal je treba se vyhybat i dalsim nebezpecnym znakum jako mezera,lomitko,otazniky,uvozovky,procenta, zavorky, atd.. ktere snadno zmatou programy nebo uzivatele. Cili je vhodne se omezit jen na pismenka anglicke abecedy, cislice a znaky _-. (podtrziko, pomlcka, tecka). Pritom se musi pocitat s tim, ze nekdy se rozlisuji a jindy naopak nerozlisuji velikosti pismen.

[DWD]

* Pouzivani ceskych znaku mimo obsah dokumentu je v kazdem pripade velke riziko a zasadne ho nedoporucuju. Dal je treba se vyhybat i dalsim nebezpecnym znakum jako mezera,lomitko,otazniky,uvozovky,procenta, zavorky, atd.. ktere snadno zmatou programy nebo uzivatele. Cili je vhodne se omezit jen na pismenka anglicke abecedy, cislice a znaky _-. (podtrziko, pomlcka, tecka). Pritom se musi pocitat s tim, ze nekdy se rozlisuji a jindy naopak nerozlisuji velikosti pismen.

To se jedná o názvy všech adresářů, do kterých ty html dokumenty uložím, včetně všech nadřazených adresářů (pokud jsou), nebo kde?

V těch stažených html dokumentech, o kterých jsem mluvil, jsem nenašel žádné vadné url nebo blbě udělané url. Jsou tam odkazy například

<A href="dates.html">článek data</A>

,

<img src="soubory/obraz01.png">

. V žádném odkazu v uvozovkách po href= a v uvozovkách po src= nebyly žádné háčky, čárky, mezery a podobně, dokonce ani nebyly potřeba. Všechny tyto URL byly psané bez absolutní cesty (což je u html dokumentů často lepší) a byly psané v rámci te složky "clanky". Takže všechny URL odkazovaly (a to i ve zdrojovém kódu dokumentu v href="" a v src="") vždycky na něco, co bylo v složce "clanky" obsažené. Ať už jde o obrázek nebo o další html dokument. Přesto všechno se ty dokumenty divně chovaly, dokud jsem to neopravil, jak jsem psal. Tyto odkazy však potřeba přepisovat nebyly, ty jsem nechal tak, jak jsou; opravit jsem musel jiné věci, co jsem už říkal, a potom už všechno fungovalo. Takže problém nemohl být v tom, jak byly psané ty URL, ale musel být ten problém v něčem jimém a moc si to neumím vysvětlit.

Po stažení a rozbalení zipu jsem získal jenom složku "clanky", ve které bylo všechno obsaženo: Všechny ty html dokumenty a složka "soubory" s obrázky k těm html dokumentům. Složka "Nová složka", do které jsem tu složku "clanky" umístil, už není součást toho stažení, ale dělaná.

[rastos]

"Správne" riešenie je použiť na to nejaký nástroj. Napr. konqueror má (že?) "Archive Web Page". Rátam, že pre FF bude na to nejaký addon a v krajnom prípade by to mohol robiť "wget --page-requisites". Ale prakticky to funguje čím ďalej tým menej. Kvôli javascriptu, flash-u, stavu session ukladanému do cookies, dynamicky generovaným stránkam, atď, atď. URL už dlho nie je "Universal Resource Locator" - teda niečo, čo umožňuje určiť, kde sa nejaká informácia na webe nachádza

[lelool]

A čo tak podobné súbory, teda celý adresár stianúť pomocou wget?

parameter -k, zaistí aby po dokončení sťahovania boli prevedené odkazy v dokumente tak, aby boli vhodné pre miestne prezeranie.

viac man wget