这可能属于“不太可行”或“不值得付出努力”的范畴，但在这里。
我正在尝试随机访问存储在多部分 gzip 文件中的记录。具体来说，我感兴趣的文件是压缩的Heretrix Arc 文件。 （如果您不熟悉多部分 gzip 文件，gzip 规范允许将多个 gzip 流连接到一个 gzip 文件中。它们不共享任何字典信息，它是简单的二进制附加。）
我认为应该可以通过寻找文件中的某个偏移量来做到这一点，然后扫描 gzip 魔术头字节（即 0x1f8b，根据RFC），并尝试读取 gzip从以下字节流。这种方法的问题是这些相同的字节也可能出现在实际数据中，因此寻找这些字节可能会导致开始读取 gzip 流的无效位置。鉴于记录偏移量是先验未知的，是否有更好的方法来处理随机访问？
【问题讨论】：
标签： compression gzip multipart random-access
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。
在 http://picard.svn.sourceforge.net/viewvc/picard/trunk/src/java/net/sf/samtools/util/ 中，查看 BlockCompressedOutputStream 和 BlockCompressedInputStream.java
【讨论】：
如您所见，GZIP 的设计对随机访问并不友好。
您可以按照您的描述进行操作，然后如果您在解压缩器中遇到错误，则断定您找到的签名实际上是压缩数据。
如果解压完成，那么通过CRC32就很容易验证刚刚解压的流的有效性。
如果文件不是很大，你可以考虑把所有的条目依次解压，保留签名的偏移量，建立一个目录。解压缩时，将字节转储到位桶。此时您将生成一个目录，然后您可以支持基于文件名、日期或其他元数据的随机访问。
对于 100k 以下的文件，这将是相当快的。就像猜测一样，如果您有 10 个文件，每个文件大约 100k，那么在现代 CPU 上可能会在 2 秒内完成。这就是我所说的“相当快”。但只有您知道您的应用程序的性能要求。
你有 GZipInputStream 类吗？如果是这样，您就成功了一半。
【讨论】：