如何从 zip 存档中的内容检测文件类型？

问题描述

我有一个包含多个 gzip 文件的 zip 存档。但是 gzip 文件的扩展名也是 .zip 。我使用 ZipInputStream 浏览 zip 存档。如何通过读取其内容而不是扩展来检测内部文件的类型。我也不需要更改（或重置）ZipInputStream 位置。

所以我需要;

• 使用 inputStream 读取 zip 中的文件（在我的例子中为 ZipInputStream）因为 zip 中的 zip 是可能的。
• 从内容中查找文件类型。
• 从内容中查找文件类型时，inputStream 位置不应改变。因为我会继续阅读下一个文件。

示例：

root/1.zip/2.zip/3.zip(其实3就是gzip)/4.txt

示例 Java 代码：

public static void main(String[] args) {
    //root/1.zip/2.zip/3.zip(actually 3 is gzip)/4.txt
    String file = "root/1.zip";
    File rootZip = new File(file);
    try (FileInputStream fis = new FileInputStream(rootZip)) {
        lookupInZip(fis)
                .stream()
                .forEach(System.out::println);
    } catch (IOException e) {
        System.out.println("Failed to get files");
    }
}

public static List<String> lookupInZip(InputStream inputStream) throws IOException {
    Tika tika = new Tika();
    List<String> paths = new ArrayList<>();
    ZipInputStream zipInputStream = new ZipInputStream(inputStream);
    ZipEntry entry = zipInputStream.getNextEntry();
    while (entry != null) {
        String entryName = entry.getName();
        if (!entry.isDirectory()) {
            //Option 1
            //String fileType = tika.detect(entryName);
            //Option 2
            String fileType = tika.detect(zipInputStream);
            if ("application/zip".equals(fileType)) {
                List<String> innerPaths = lookupInZip(zipInputStream);
                paths.addAll(innerPaths);
            } else {
                paths.add(entryName);
            }
        }
        entry = zipInputStream.getNextEntry();
    }
    return paths;
}

如果我使用选项 1，'3.zip' 被评估为 zip 文件，但它是 gzip。 如果我使用选项 2，'2.zip' 将通过使用其内容正确评估为 zip。但是当以递归方式为 '3.zip' 调用 lookupInZip() 时， zipInputStream.getNextEntry() 返回 null。因为在上一步中，我们使用 inputStream content 来检测类型和 inputStrem 位置的变化。

注意：tika.detect() 在实现中使用 BufferedInputStream 来重置 inputStream 位置，但它并没有解决我的问题。

解决方法

前两个字节足以判断它是否可能是 zip 文件、gzip 文件或其他内容。

如果前两个字节是 0x50 0x4b，那么它很可能是一个 zip 文件。如果前两个字节是 0x1f 0x8b，那么它很可能是一个 gzip 文件。如果两者都不是，那么文件就是别的东西。

匹配的前两个字节并不能保证它是那种类型，但从您的结构看来，它通常是一种或另一种，您可以使用扩展名作为进一步证实它被压缩的证据。

至于不改变位置，你需要一种方法可以在不推进位置的情况下窥视前两个字节，或者一种方法来获取它们然后取消它们以将位置返回到原来的位置。