打开不支持的压缩类型的 zipfile 静默返回空文件流，而不是抛出异常

Posted 2023-03-06

【中文标题】打开不支持的压缩类型的 zipfile 静默返回空文件流，而不是抛出异常

【英文标题】：Opening zipfile of unsupported compression-type silently returns empty filestream, instead of throwing exception

【发布时间】：2012-10-09 23:02:56

【问题描述】：

似乎让我从一个新手错误中解脱出来，我不是新手。 我有一个 1.2G 已知良好的压缩文件 'train.zip'，其中包含一个 3.5G 文件 'train.csv'。 我打开 zipfile 和文件本身，没有任何异常（没有 LargeZipFile），但生成的文件流似乎是空的。 （UNIX 'unzip -c ...' 确认它是好的） Python ZipFile.open() 返回的文件对象是不可查找或可告知的，所以我无法检查。

Python 发行版是 2.7.3 EPD-free 7.3-1 (32-bit) ;但对于大拉链应该没问题。操作系统为 MacOS 10.6.6

import csv
import zipfile as zf

zip_pathname = os.path.join('/my/data/path/.../', 'train.zip')
#with zf.ZipFile(zip_pathname).open('train.csv') as z:
z = zf.ZipFile(zip_pathname, 'r', zf.ZIP_DEFLATED, allowZip64=True) # I tried all permutations
z.debug = 1
z.testzip() # zipfile integrity is ok

z1 = z.open('train.csv', 'r') # our file keeps coming up empty?

# Check the info to confirm z1 is indeed a valid 3.5Gb file...
z1i = z.getinfo(file_name)
for att in ('filename', 'file_size', 'compress_size', 'compress_type', 'date_time',  'CRC', 'comment'):
    print '%s:\t' % att, getattr(z1i,att)
# ... and it looks ok. compress_type = 9 ok?
#filename:  train.csv
#file_size: 3729150126
#compress_size: 1284613649
#compress_type: 9
#date_time: (2012, 8, 20, 15, 30, 4)
#CRC:   1679210291

# All attempts to read z1 come up empty?!
# z1.readline() gives ''
# z1.readlines() gives []
# z1.read() takes ~60sec but also returns '' ?

# code I would want to run is:
reader = csv.reader(z1)
header = reader.next()
return reader

【参考方案1】：

原因是：

此文件的压缩类型是类型 9：Deflate64/Enhanced Deflate（PKWare 的专有格式，与更常见的类型 8 相对） 和一个zipfile 错误：它不会为不受支持的压缩类型抛出异常。它曾经只是silently return a bad file object [第 4.4.5 节压缩方法]。啊。多么虚伪。更新：我提交了bug 14313，它已在 2012 年修复，因此当压缩类型未知时，它现在会引发 NotImplementedError。

命令行解决方法是解压缩，然后重新压缩，得到一个普通的type 8: Deflated。

zipfile will throw an exception in 2.7 , 3.2+ 出于法律原因，我猜 zipfile 将永远无法真正处理类型 9。 Python 文档没有提到 zipfile 不能 handle other compression types :(

【讨论】：

您知道如何检查压缩类型，从而可以预见静默失败吗？

@MartinTaleski：我提交了一个错误，他们解决了它，现在当压缩类型未知时它会引发 NotImplementedError。你可以try .. catch那个。 EAFP 理念。

【参考方案2】：

我处理 Python 的 ZipFile 不支持的压缩类型的解决方案是在 ZipFile.extractall 失败时依赖对 7zip 的调用。

from zipfile import ZipFile
import subprocess, sys

def Unzip(zipFile, destinationDirectory):
    try:
        with ZipFile(zipFile, 'r') as zipObj:
            # Extract all the contents of zip file in different directory
            zipObj.extractall(destinationDirectory)
    except:
        print("An exception occurred extracting with Python ZipFile library.")
        print("Attempting to extract using 7zip")
        subprocess.Popen(["7z", "e", f"zipFile", f"-odestinationDirectory", "-y"])

【讨论】：

酷。我知道这并不适合所有人，但对于我的用例来说，这是一个完美的解决方案。谢谢！

谢谢！请注意，在 POSIX 系统上将带有参数的字符串传递给 Popen 构造函数会失败，因此为了使这个跨平台能够传递序列而不是字符串，例如subprocess.Popen(["7z", "e", f"zipFile", f"-odestinationDirectory", "-y"])。请参阅此处的讨论docs.python.org/3.8/library/subprocess.html#popen-constructor

不错。您假设7z 位于路径上，用户可能希望添加逻辑来强化FileNotFoundError: [Errno 2] No such file or directory

【参考方案3】：

压缩类型 9 是 Deflate64/Enhanced Deflate，Python 的 zipfile 模块不支持（本质上是 since zlib doesn't support Deflate64，zipfile 委托给它）。

如果较小的文件可以正常工作，我怀疑这个 zip 文件是由 Windows 资源管理器创建的：for larger files Windows Explorer can decided to use Deflate64。

（请注意，Zip64 与 Deflate64 不同。Zip64 由 Python 的 zipfile 模块支持，只是对一些元数据在 zipfile 中的存储方式进行了一些更改，但仍使用常规 Deflate 来压缩数据。）

不过，stream-unzip 现在支持 Deflate64。修改其示例以从本地磁盘读取，并像您的示例一样读取 CSV 文件：

import csv
from io import IOBase, TextIOWrapper
import os

from stream_unzip import stream_unzip

def get_zipped_chunks(zip_pathname):
    with open(zip_pathname, 'rb') as f:
       while True:
           chunk = f.read(65536)
           if not chunk:
               break
           yield chunk

def get_unzipped_chunks(zipped_chunks, filename)
    for file_name, file_size, unzipped_chunks in stream_unzip(zipped_chunks):
        if file_name != filename:
            for chunk in unzipped_chunks:
                pass
            continue
        yield from unzipped_chunks

def to_str_lines(iterable):
    # Based on the answer at https://***.com/a/70639580/1319998
    chunk = b''
    offset = 0
    it = iter(iterable)

    def up_to_iter(size):
        nonlocal chunk, offset

        while size:
            if offset == len(chunk):
                try:
                    chunk = next(it)
                except StopIteration:
                    break
                else:
                    offset = 0
            to_yield = min(size, len(chunk) - offset)
            offset = offset + to_yield
            size -= to_yield
            yield chunk[offset - to_yield:offset]

    class FileLikeObj(IOBase):
        def readable(self):
            return True
        def read(self, size=-1):
            return b''.join(up_to_iter(float('inf') if size is None or size < 0 else size))

    yield from TextIOWrapper(FileLikeObj(), encoding='utf-8', newline='')

zipped_chunks = get_zipped_chunks(os.path.join('/my/data/path/.../', 'train.zip'))
unzipped_chunks = get_unzipped_chunks(zipped_chunks, b'train.csv')
str_lines = to_str_lines(unzipped_chunks)
csv_reader = csv.reader(str_lines)

for row in csv_reader:
    print(row)

【讨论】：

这是一个很好的解决方案，可以流式传输内容，而不必将整个内容保存在内存中。不幸的是，在我的应用程序中它变得非常慢:( ...最后我决定使用命令行解决方法将文件完全解压缩到磁盘，然后读取解压缩的内容。

@JuanA.Navarro 是的，deflate64 解压是纯 Python github.com/michalc/stream-inflate，所以它很慢并不让我感到惊讶。我确信它可以加快速度，但我怀疑这将是一个项目......