Question

我无法使用GZipStream解压缩FreebaseRDF dump（30GB压缩文本，480GB未压缩文本），其中流过早结束。抛出没有异常，只是gz.Read()开始返回零：

using(var gz = new GZipStream(File.Open("freebase-rdf-latest.gz", FileMode.Open), CompressionMode.Decompress))
{
    var buffer = new byte[1048576];
    int read, total = 0;
    while ((read = gz.Read(buffer, 0, buffer.Length)) > 0)
        total += read;

    // total is 1945715682 here
    // subsequent reads return 0
}

该文件与其他应用程序一起解压缩（我尝试过gzip和7zip）。

嗅探我在GZipStream documentation on MSDN的上一版本中找到了这个说明：

GZipStream类可能无法解压缩导致的数据超过8 GB的未压缩数据。

该说明已在最新版本的文档中删除。我使用的是.NET 4.5.2，对于我来说，在解压缩了不到2GB之后流已经结束。

有没有人更了解这个限制？文档中的语言意味着除了解压超过8gb之外的其他先决条件 - 而且我相当确定我过去曾使用过GZipStream来处理非常大的文件而没有达到这个目的。

此外，是否有人可以推荐替代GZipStream的替代品，而不是System.IO.Compression？

更新

我尝试用Ionic.Zlib（DotNetZip）替换System.IO.Compression并获得相同的结果。

我尝试了ICSharpCode.SharpZipLib的GZipInputStream，得到了＃34;未知的块类型6＆＃34;在第一次阅读。

我试过SevenZipSharp，但是没有流装饰器可供阅读 - 只有各种阻止＆＃34;提取＆＃34;解压整个流的方法，这不是我想要的。

另一次更新

使用zlib1.dll，以下代码正确解压缩整个文件。它也可以在GZipStream的大约1/4时间内完成！

var gzFile = gzopen("freebase-rdf-latest.gz", "rb");

var buffer = new byte[1048576];
int read, total = 0;
while ((read = gzread(gzFile, buffer, buffer.Length)) > 0)
    total += read;

[DllImport("zlib1")] IntPtr gzopen(string path, string mode);
[DllImport("zlib1")] int gzread(IntPtr gzFile, byte[] buf, int len);
[DllImport("zlib1")] int gzclose(IntPtr gzFile);

..显然，.NET中所有exsting GZip库与zlib存在一些兼容性问题。我使用的zlib1.dll来自我的mingw64目录（在我的机器上有大约十几个zlib1.dll，但这是唯一的64位）。

Answer 1

我有点迟了，但我找到了解决这个问题的原因和解决方法。

这个大文件不仅包含一个gzip-stream，还包含200个流。（每个gzip流的压缩大小：150-155 MB）

首先，“gzip-file”使用可选的额外字段来描述所有压缩gzip-stream的长度。许多Uncompressors不支持这种流式，只解码第一个条目。（150 MB - > 2 GB）

1：read-header-method :(对不起，如果看起来像黑客风格： - ）

static long[] ReadGzipLengths(Stream stream)
{
  if (!stream.CanSeek || !stream.CanRead) return null; // can seek and read?

  int fieldBytes;
  if (stream.ReadByte() == 0x1f && stream.ReadByte() == 0x8b // gzip magic-code
      && stream.ReadByte() == 0x08 // deflate-mode
      && stream.ReadByte() == 0x04 // flagged: has extra-field
      && stream.ReadByte() + stream.ReadByte() + stream.ReadByte() + stream.ReadByte() >= 0 // unix timestamp (ignored)
      && stream.ReadByte() == 0x00 // extra-flag: sould be zero
      && stream.ReadByte() >= 0 // OS-Type (ignored)
      && (fieldBytes = stream.ReadByte() + stream.ReadByte() * 256 - 4) > 0 // length of extra-field (subtract 4 bytes field-header)
      && stream.ReadByte() == 0x53 && stream.ReadByte() == 0x5a // field-header: must be "SZ" (mean: gzip-sizes as uint32-values)
      && stream.ReadByte() + stream.ReadByte() * 256 == fieldBytes // should have same length
    )
  {
    var buf = new byte[fieldBytes];
    if (stream.Read(buf, 0, fieldBytes) == fieldBytes && fieldBytes % 4 == 0)
    {
      var result = new long[fieldBytes / 4];
      for (int i = 0; i < result.Length; i++) result[i] = BitConverter.ToUInt32(buf, i * sizeof(uint));
      stream.Position = 0; // reset stream-position
      return result;
    }
  }

  // --- fallback for normal gzip-files or unknown structures ---
  stream.Position = 0; // reset stream-position
  return new[] { stream.Length }; // return single default-length
}

2：读者

static void Main(string[] args)
{
  using (var fileStream = File.OpenRead(@"freebase-rdf-latest.gz"))
  {
    long[] gzipLengths = ReadGzipLengths(fileStream);
    long gzipOffset = 0;

    var buffer = new byte[1048576];
    long total = 0;

    foreach (long gzipLength in gzipLengths)
    {
      fileStream.Position = gzipOffset;

      using (var gz = new GZipStream(fileStream, CompressionMode.Decompress, true)) // true <- don't close FileStream at Dispose()
      {
        int read;
        while ((read = gz.Read(buffer, 0, buffer.Length)) > 0) total += read;
      }

      gzipOffset += gzipLength;

      Console.WriteLine("Uncompressed Bytes: {0:N0} ({1:N2} %)", total, gzipOffset * 100.0 / fileStream.Length);
    }
  }
}

3：结果

Uncompressed Bytes: 1.945.715.682 (0,47 %)
Uncompressed Bytes: 3.946.888.647 (0,96 %)
Uncompressed Bytes: 5.945.104.284 (1,44 %)
...
...
Uncompressed Bytes: 421.322.787.031 (99,05 %)
Uncompressed Bytes: 423.295.620.069 (99,53 %)
Uncompressed Bytes: 425.229.008.315 (100,00 %)

需要一些时间（30-40分钟）但它有效！（没有外部库）

速度：大约200 MB / s无压缩数据速率

几乎没有变化，应该是多线程的。

Answer 2

对于大文件，您不应使用流阅读器：

        var buffer = new byte[1024 * 1024];
        using (var gz = new GZipStream(new FileStream("freebase-rdf-latest.gz", FileMode.Open), CompressionMode.Decompress))            
        {
            var bytesRead = 0;
            while (bytesRead < buffer.Length)
            {
                bytesRead = gz.Read(buffer, 0, buffer.Length);
                Console.WriteLine(bytesRead);
            }
        }

GZipStream在大文件上悄然失败，流以2GB结束

2 个答案: