gzip -t 可以检测 100% 的截断下载错误吗？

Question

场景：单个 1g CSV.gz 正在写入 FTP 文件夹。与此同时，我的客户端计算机通过 sFTP 连接到该文件夹​​并尝试将其拉下。

问：获取该文件后，无论我在客户端获得什么表观长度，都可以gzip -t检测到部分文件并使其失败，无论截断发生在何处？

我认为当片段突然结束时，解压缩或 -t'esting 将在 99% 的可能截断点上出错，但是 gz 结构是否具有干净的切割点，gzip 会在其中意外报告成功？

不在桌面上的缓解措施（因为如果其中之一正在发挥作用，我就不需要询问上述内容。）

1. 通过另一个网络请求获取文件长度或md5。
   1. 通过 FTP 轮询文件长度并不是很好，因为服务器可能会偶尔将块写入 zip 流。在批处理作业关闭文件句柄之前，如果将其误认为是完整的数据集，对我的分析来说将是致命的。
   2. 通过批处理作业给出最终文件长度或散列，就不再需要这个问题，但这给团队带来了实施负担，而团队（就这个问题而言）可能不存在。
2. 我们无法通过安排一天中不同时间的读/写来避免竞争。
3. 服务器未使用原子移动操作。
4. 我不知道 CSV 行/列数；每个快照和每个集成都会发生变化。对于这个问题，也可以说被 gzip 压缩的文件是一个不透明的二进制 blob。
5. 游戏中没有 client=>sFTP 网络错误。（这些被捕获并处理；我关心的是读取在服务器的批处理作业期间仍然偶尔写入的文件。）
6. 使用 RESTful API 代替 sFTP。

没有找到现有的SO

一些 SO 涉及处理截断，但与需要在任何问题上可靠地使整个工作流程失败相比，处于有损可接受的环境中。（我在医疗数据环境中进行计算，因此我宁愿让服务器停止并着火，也不愿传播错误的统计数据。）

• gzip：意外的文件结尾 - 如何读取文件是相反的 - 他们希望抑制 EOF 错误，因为这对他们的用例来说不是问题
• 为什么使用 gzip 时我的脚本中出现意外的文件结尾？只是 posix 流结尾有意插入，head并且不涵盖“是否有可能误报？”
• zcat / gzip 错误，同时管道输出 非常接近，但不会询问“我保证会收到此错误吗？”
• 合并可能被截断的 gzip 日志文件也很接近，因为它处理来自终止的批处理作业的部分文件，但仍然会抛出一些不可读的行，而不是保证错误。

Answer 1

gzip 格式的文件包含压缩数据的长度和未压缩数据的长度。然而，这是一种古老的格式，长度字段只有 32 位，因此现在它们被解释为长度模 2^32（即 4\xc2\xa0GiB）。解压前，gzip检查压缩数据的校验和是否正确。解压后，gzip检查解压数据的校验和是否正确，以及解压数据的大小以 2^32 为模是否正确。

\n

因此，如果压缩数据的大小（或解压缩数据的大小）小于 4\xc2\xa0GiB，gzip 保证检测到截断的输入。但是，对于任意大小的文件，我看不出有任何理由说明这些检查就足够了。如果输入不是故意设计的，并且其长度以 4\xc2\xa0GiB 为模均匀分布，则压缩长度和校验和匹配的可能性只有 1/2^64，此外，如果文件是在多字节序列的中间或未压缩数据的长度不匹配时被截断。（这并不一定会将机会减少到 1/2^96，因为压缩长度模 2^32 和未压缩长度模 2^32 是相关的。）因此，只有很小的机会出现未检测到的错误，但它不是零，我确信它可能是故意制作的。

\n

请注意，此分析仅适用于 gzip 压缩文件由单个流组成的情况。gunzip可以解压缩由多个串联流组成的文件，并且无法检测文件是否包含有效的流序列，但需要更多的流。但是，您的生产链可能不会生成多流文件：gzip它本身不会生成，您必须手动连接多个运行的输出，或者使用其他工具（pkzip？）。

\n

\n

服务器未使用原子移动操作。

\n

\n

不幸的是，我认为没有一种完全可靠的方法来检测错误，而无需该方法或在服务器完成写入后计算的外部元数据（长度或加密校验和）。

\n