随机访问 gzip 流答案

【问题标题】：Random access gzip stream随机访问 gzip 流
【发布时间】：2010-03-26 21:39:33
【问题描述】：

我希望能够对 gzip 压缩文件进行随机访问。只要预处理的结果比文件本身小得多，我就可以对其进行一些预处理（例如，构建某种索引）。

有什么建议吗？

我的想法是：

破解现有的 gzip 实现并序列化其解压缩器状态，例如，每 1 兆字节的压缩数据。然后进行随机访问，反序列化解压缩器状态并从兆字节边界读取。这似乎很难，特别是因为我正在使用 Java，但我找不到纯 Java gzip 实现:(
以 1Mb 的块重新压缩文件并执行与上述相同的操作。这样做的缺点是需要的磁盘空间增加了一倍。
编写一个简单的 gzip 格式解析器，它不进行任何解压缩，只检测和索引块边界（如果甚至有任何块：我还没有阅读 gzip 格式说明）

【问题讨论】：

【解决方案1】：

看看at this link（C 代码示例）。

/* zran.c -- example of zlib/gzip stream indexing and random access
...

Gzip 只是带有信封的 zlib。

【讨论】：

【解决方案2】：

与GZIP兼容的BGZF文件格式由生物学家开发。

(...) 的优点 BGZF 优于传统 gzip 是 BGZF 允许寻找而无需扫描整个文件直到正在寻找的职位。

【讨论】：

【解决方案3】：

FWIW：我在zlib's zran.c source code 上开发了一个命令行工具，它可以通过为 gzip 文件创建索引来随机访问 gzip：https://github.com/circulosmeos/gztool

它甚至可以为仍在增长的 gzip 文件创建索引（例如由 rsyslog 直接以 gzip 格式创建的日志），从而在实践中将创建索引的时间减少到零。请参阅-S（监督）选项。

【讨论】：

【解决方案4】：

有趣的问题。我不明白为什么您的第二个选项（以块的形式重新压缩文件）会使磁盘空间增加一倍。在我看来，这将是相同的，更少的开销。如果您可以控制压缩件，那么这似乎是正确的想法。

也许你的意思是你无法控制输入，因此它会加倍。

如果你能做到，我想将它建模为一个 CompressedFileStream 类，用作其后备存储，即一系列 1mb gzip 压缩的 blob。读取时，流上的 Seek() 将移动到适当的 blob 并解压缩。超过 blob 末尾的 Read() 将导致流打开下一个 blob。

ps：GZIP 在IETF RFC 1952 中进行了描述，但它使用DEFLATE 作为压缩格式。如果您像我想象的那样实现了这个 CompressedFileStream 类，就没有理由使用 GZIP 详细说明。

【讨论】：

我不喜欢第二个选项，因为我不会删除原始文件，而且我无法控制它们的生成方式。但是，现在这就是我实际实现这些东西的方式（就像你描述的那样），但我对此并不满意，这就是我问这个问题的原因:)