Question

我是一个大型压缩文件，我想知道内容的大小而不解压缩它。我试过这个：

import gzip
import os

with gzip.open(data_file) as f:
          f.seek(0, os.SEEK_END)
          size = f.tell()

但我收到此错误

ValueError: Seek from end not supported

我该怎么做？

THX。

Answer 1

不幸的是，Python 2.x gzip module似乎不支持任何确定未压缩文件大小的方法。

但是，gzip会将未压缩的文件大小存储为文件末尾的小端32位无符号整数：http://www.abeel.be/content/determine-uncompressed-size-gzip-file

不幸的是，这仅适用于大小<4gb 的文件，因为只使用了gzip格式的32位整数;见the manual。

import os
import struct

with open(data_file,"rb") as f:
    f.seek(-4, os.SEEK_END)
    size, = struct.unpack("<I", f.read(4))
    print size

Answer 2

原则上不可能在没有解压缩的情况下明确地确定gzip文件中未压缩数据的大小。您不需要有空间来存储未压缩的数据 - 您可以随时丢弃它。但你必须全部解压缩。

如果您控制gzip文件的来源并且可以确保a）gzip文件中没有连接成员，b）未压缩数据的长度小于4 GB，并且c）没有任何无关的垃圾gzip文件的结尾，然后只有你可以读取gzip文件的最后四个字节，以获得一个具有未压缩数据长度的小端整数。

有关详细信息，请参阅this answer。

这是Python代码，用于读取gzip文件并打印未压缩的长度，而无需存储或保存未压缩的数据。它将内存使用限制为小缓冲区。这需要Python 3.3或更高版本：

#!/usr/local/bin/python3.4
import sys
import zlib
import warnings
f = open(sys.argv[1], "rb")
total = 0
buf = f.read(1024)
while True:             # loop through concatenated gzip streams
    z = zlib.decompressobj(15+16)
    while True:         # loop through one gzip stream
        while True:     # go through all output from one input buffer
            total += len(z.decompress(buf, 4096))
            buf = z.unconsumed_tail
            if buf == b"":
                break
        if z.eof:
            break       # end of a gzip stream found
        buf = f.read(1024)
        if buf == b"":
            warnings.warn("incomplete gzip stream")
            break
    buf = z.unused_data
    z = None
    if buf == b"":
        buf == f.read(1024)
        if buf == b"":
            break
print(total)

Answer 3

总结一下，我需要打开huges压缩文件（> 4GB），因此Dan的技术不起作用，我想要文件的长度（行数），所以Mark Adler的技术是不合适的。

最终，我发现未压缩文件的解决方案（不是最优化的，但它可以工作！），可以轻松转换为压缩文件：

size = 0

with gzip.open(data_file) as f:
  for line in f:
    size+= 1
    pass

return size

谢谢大家，本论坛的人非常有效！

如何在Python中确定gzip压缩文件的Content-Length？

3 个答案: