Java 解析 Linux 不同压缩文件的方法及注意事项

背景

commons-compress 包提供了归档压缩文件的工具类，java.util 里面包含了 Zip 和 gz 文件的解压方法，最终以按扁平方式，遍历到全部文件的文件，包括子目录下的文件。使用 Java 实现的日志采集系统涉及到对压缩文件的解析，不同类型的压缩文件，Java 解析方式也不相同，本文整理 Java 解析四类常见压缩文件的方法及注意事项。

关键点在于辨别压缩文件的类型及对应生成命令，确保文件名称的后缀名和生成工具保持一致，否则容易出现解析异常，总结几个点就是：

tar -cvf 生成的普通打包文件，后缀名为 .tar ，文件只归档，不压缩，文件较大。
tar -czvf 用 -z 参数代表用 gzip 压缩，生成 tar.gz 压缩的归档文件。
zip -r 生成的 .zip 压缩文件，可以对目录进行压缩。
gzip 文件名称，单文件压缩工具，对目标文件压缩后生成 .gz 的文件，且删除原文件。

四种压缩方式，入参压缩文件输入流 commpressIns 的各种压缩方式的读取流程。

tar

tar 命令生成的无压缩归档文件，体积比较大，一般不单独使用，它的解析方式为：

java 复制代码

public void parseTarGzFile(InputStream commpressIns) {
	TarArchiveInputStream archiveInputStream = new TarArchiveInputStream(commpressIns, "UTF-8");
    InputStreamReader inputStreamReader = null;
	TarArchiveEntry currentEntry;
    try {
          currentEntry = (TarArchiveEntry) archiveInputStream.getNextEntry();
          // 循环遍历归档条目
          while (currentEntry != null) {
              String subfileName = currentEntry.getName();
 
              inputStreamReader = new InputStreamReader(archiveInputStream)
              // TODO inputStreamReader 逐行读取当前压缩文件条目的内容
         }
    } catch (Exception e) {
        // TODO error 
    }    
}

使用 TarArchiveInputStream 它直接将压缩文件的各个文件都递归列出来，逐个读取就可完成遍历，它跟 zip 文件不一样，文件夹不会被作为一个 Entry ，所以还是比较容易的。

tar.gz

使用 tar -zc 生成的压缩文件，它有两种特性，一个是归档，二是 gzip 的压缩格式，流程与 tar 文件解析一致，但是需要包裹一层 GZip 输入流：

java 复制代码

public void parseTarGzFile(InputStream commpressIns) {
    // 用 gzip 包裹一层
    GZIPInputStream gzInstream = new GZIPInputStream(commpressIns);
	TarArchiveInputStream archiveInputStream = new TarArchiveInputStream(gzInstream, "UTF-8");
    InputStreamReader inputStreamReader = null;
	TarArchiveEntry currentEntry;
    try {
          currentEntry = (TarArchiveEntry) archiveInputStream.getNextEntry();
          // 循环遍历归档条目
          while (currentEntry != null) {
              String subfileName = currentEntry.getName();
 
              inputStreamReader = new InputStreamReader(archiveInputStream)
         
        // TODO inputStreamReader 逐行读取当前压缩文件条目的内容
        }
    } catch (Exception e) {
        // TODO error 
    }    
}

必须使用 tar -z 参数生成的文件，用 TarArchiveInputStream 解析时传入的是 GZIPInputStream 类型，否则非 gzip 压缩的 tar 文件，解析时会包「非 Gzip Format 」异常。

zip

zip -r 对文件夹压缩产生的的 zip 文件用 ZipInputStream 解析。

java 复制代码

public void parseZipFile(InputStream commpressIns) {
	ZipInputStream zipStream = new ZipInputStream(commpressIns);
    ZipEntry entry;
    InputStreamReader inputStreamReader = null;

    while ((entry = zis.getNextEntry()) != null) {
        // 注意事项：忽略文件夹名称条目
        String fileName = entry.getName();
        if (fileName.endsWith("/")) {
            continue;
        }
        
        inputStreamReader = new InputStreamReader(zipStream, "UTF-8");

        // TODO inputStreamReader 逐行读取当前压缩文件条目的内容
    }
}

ZipInputStream 会以递归压缩文件，最终扁平化对所有文件形成一个链表，启动文件夹也会作为一个 ZipEntry ，以 / 结尾，实际内容为空，所以解析时忽略即可。

gz

gzip 读单个文件生成的压缩文件解析比较简单：

java 复制代码

public void parseGzipFile(InputStream commpressIns) {
    GZIPInputStream gzipInput = new GZIPInputStream(commpressIns);
    InputStreamReader reader = new InputStreamReader(gzipInput, "UTF-8");

    // TODO 直接逐行读取文件内容
}

直接转换为 GZIPInputStream 就可以读取文件内容了。

启示录

zip 的解析目录中存在文件夹的条目，这点跟 tar 归档方式不同，需要注意。此外，解压工具会对文件格式进行校验，当文件后缀和文件格式不一致时，解析异常，需要特别注意。

比如我常用 tar -cvf 打包文件但是命名为 tar.gz ，之前没有特别留意过，直到解析异常。为止防手滑，专门分析四类压缩文件的生成方式及解析方法，整理成文、以备后用。