java - 对gzip文件进行流式解压时，如何解压出其中某些单独的数据块中的数据？

问题描述

场景描述：

现有许多行日志文本，按天压缩成一个个TB级的gzip文件。使用流对每个压缩文件的数据段进行传输然后解压，对解压出的文本分词并索引以后查到这个词时，定位到这个词所在的文件和段，再用流传输并解压（实际上是想利用已有的压缩文件构造一个类似ES的搜索引擎）

现在的问题是，因为接收到的不是完整的压缩文件而是块状二进制数据，所以接收的数据由于信息不完全而无法解压

现在想实现这样的功能：首先将接收到的流数据解压还原为完整的数据（原始日志数据以换行符分隔，能得到每段流数据压缩前的文本和对应文件的偏移量就好），然后考虑到传输和存储等过程可能使数据出错，所以针对每段数据流，在出错的情况下解压出尽可能多的数据。

部分相关代码如下：（改自https://stackoverflow.com/que...）

import zlibimport tracebackCHUNKSIZE=30d = zlib.decompressobj(16 + zlib.MAX_WBITS)f = open(’test.py.gz’,’rb’)buffer = f.read(CHUNKSIZE)i = 0while buffer : i += 1 try:#skip two chunk if i < 3 or i > 4: outstr = d.decompress(buffer) print(’*’*10 + outstr + ’#’*10) except Exception, e:print(traceback.print_exc()) finally:buffer = f.read(CHUNKSIZE)outstr = d.flush()print(outstr)f.close()

当i>=3以后，每次循环均报错我的结论是 若流不连续（跳过接收部分数据），则之后的数据都无法解压。问题1：如果做到能正确的解压出收到的每部分数据？（因为可能牵涉到gzip压缩的算法和数据结构，我正在看相关代码。如果可以通过追加传输头部的某一chuck或者需要解压的数据的前后某些chuck能解决问题也算可以）问题2：如果不能正确的解压接收到的每部分数据，那么如何做到解压出尽可能多的数据？

问题解答

我觉得可以做一个出错重新续传的功能，传输前备份当前这一段数据流，你得判断出当前传输的这一段数据流是否传输完整了。这就要求传送端和接收端之间的传输协议是你能改动的，出现错误就立刻反馈fail给传输端，从刚才这段重新续传，没有错误就反馈OK，继续传输下一段。这样就能保证数据的完整性。如果文件太大，可以在内存中备份多些数据段，做些细节性的判断。

不太確定你描述的問題，不過在stackoverflow 有些問答或許有幫助。

How can I decompress a gzip stream with zlib?

Python decompressing gzip chunk-by-chunk