Python 无法完全读取“warc.gz”文件

Question

对于我的工作，我抓取网站并将它们写入 gzip 压缩的网络档案（扩展名为“warc.gz”）。我使用 Python 2.7.11 和 warc 0.2.1 库。

我注意到对于大多数文件，我无法使用 warc-library 完全读取它们。例如，如果 warc.gz 文件有 517 条记录，我只能读取其中的大约 200 条。

经过一番研究，我发现这个问题只发生在 gzip 文件中。扩展名为“warc”的文件没有这个问题。

我发现有些人也有这个问题（https://github.com/internetarchive/warc/issues/21），但没有找到解决方案。

我猜想 Python 2.7.11 中的“gzip”可能存在错误。也许有人有这方面的经验，并且知道可以对这个问题做些什么？

提前致谢！

例子：

我像这样创建新的 warc.gz 文件：

import warc
warc_path = "\\some_path\file_name.warc.gz"
warc_file = warc.open(warc_path, "wb")

要写记录，我使用：

record = warc.WARCRecord(payload=value, headers=headers)
warc_file.write_record(record)

这将创建完美的“warc.gz”文件。他们没有问题。所有，包括“\r\n”都是正确的。但是当我阅读这些文件时问题就开始了。

要读取我使用的文件：

warc_file = warc.open(warc_path, "rb")

要遍历我使用的记录：

for record in warc_file:
    ...

问题是在此循环中，并非所有记录都被找到，“warc.gz”文件，而它们都被找到“warc”文件。使用这两种类型的文件在 warc-library 本身中得到解决。

Answer 1

中的自定义gzip处理warc.gzip2.GzipFile、文件拆分warc.utils.FilePart和读入似乎warc.warc.WARCReader被整体破坏了（使用 python 2.7.9、2.7.10 和 2.7.11 测试）。当它没有接收到数据而不是一个新的标头时，它就停止了。

看起来基本的 stdlibgzip可以很好地处理链接的文件，所以这也应该有效：

import gzip
import warc

with gzip.open('my_test_file.warc.gz', mode='rb') as gzf:
    for record in warc.WARCFile(fileobj=gzf):
        print record.payload.read()