python - 如何使用python逐块解压缩多个文件.gz

我正在尝试在下载过程中解压缩非常大的.gz文件（commoncrawl Web提取），但是zlib在第一个文件（该文件似乎是许多串联的gz文件）之后停止。

import requests,json,zlib
fn="crawl-data/CC-MAIN-2017-04/segments/1484560279933.49/warc/CC-MAIN-20170116095119-00381-ip-10-171-10-70.ec2.internal.warc.gz"
fn="https://commoncrawl.s3.amazonaws.com/"+fn
r = requests.get(fn, stream=True)
d = zlib.decompressobj(zlib.MAX_WBITS | 16)
for chunk in r.iter_content(chunk_size=2048):
    if chunk:
        outstr = d.decompress(chunk)
        print(len(chunk),chunk[:10].hex(),len(outstr),len(d.unused_data))

所有块都进入“ unused_data”并且不解压缩，只有第一个。

当管道输送到zcat时，它的效果很好

curl https://commoncrawl.s3... | zcat | ....

最佳答案

您几乎给了自己的问题答案。您正在处理gzip流的串联（其本身是有效的gzip流），因此当您从解压缩对象获得eof时，需要使用decompressobj为每个对象触发一个新的unused_data。从上一个开始记下，开始下一个。

关于python - 如何使用python逐块解压缩多个文件.gz，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/42602122/