如何优雅解析ZipInputStream中的多个XML条目？

我实现了一个导出功能，将两个XML打包成ZIP供下载。单元测试时需要验证导出结果，用ZipInputStream读取ZIP并解析XML。最初用IOUtils.toString()把当前条目转成字符串再解析是正常的，但尝试直接用InputSource(new InputStreamReader(zis))时，第一个条目正常，第二个条目抛出异常——原因是XML解析器会读取到流的末尾，甚至关闭底层的ZipInputStream，导致后续条目无法读取。

解决方案1：限制解析流的读取长度 #

利用ZipEntry.getSize()获取当前条目的大小，把ZipInputStream包装成一个仅读取指定长度的流，避免解析器读超。如果使用Apache Commons IO，可以用BoundedInputStream：

NodeList getNodesByName(ZipInputStream zis, String nodeName) throws IOException, ParserConfigurationException, SAXException {
    ZipEntry currentEntry = zis.getCurrentEntry();
    // 包装成限制长度的流，禁止关闭底层ZipInputStream
    BoundedInputStream boundedStream = new BoundedInputStream(zis, currentEntry.getSize());
    boundedStream.setPropagateClose(false);
    
    InputSource is = new InputSource(new InputStreamReader(boundedStream));
    Document doc = DocumentBuilderFactory.newInstance().newDocumentBuilder().parse(is);
    return doc.getElementsByTagName(nodeName);
}

如果不想依赖第三方库，可以先把当前条目内容读入字节数组，再用内存流解析：

NodeList getNodesByName(ZipInputStream zis, String nodeName) throws IOException, ParserConfigurationException, SAXException {
    // 读取当前条目全部内容到字节数组
    byte[] entryContent = IOUtils.toByteArray(zis);
    try (ByteArrayInputStream byteStream = new ByteArrayInputStream(entryContent)) {
        InputSource is = new InputSource(new InputStreamReader(byteStream));
        Document doc = DocumentBuilderFactory.newInstance().newDocumentBuilder().parse(is);
        return doc.getElementsByTagName(nodeName);
    }
}

这种方式和最初的实现逻辑类似，但直接操作字节数组更高效，且不会影响底层ZipInputStream的状态。

解决方案2：改用ZipFile处理（更推荐） #

ZipFile可以单独获取每个条目的输入流，每个条目流相互独立，解析器可以安全读取到流末尾而不影响其他条目。需要先把导出的ZIP流写入临时文件：

// 把导出的ZIP流写入临时文件
File tempZip = File.createTempFile("export_test", ".zip");
try (OutputStream os = new FileOutputStream(tempZip)) {
    IOUtils.copy(testee.openStream(), os);
}

// 用ZipFile读取每个条目
try (ZipFile zipFile = new ZipFile(tempZip)) {
    // 处理第一个XML
    ZipEntry firstEntry = zipFile.getEntry("first.xml"); // 替换为实际文件名
    assertNotNull(firstEntry);
    try (InputStream entryStream = zipFile.getInputStream(firstEntry)) {
        NodeList nodesOne = getNodesByName(entryStream, "nodeOne");
        assertEquals(EXPECTED_NODE_ONE, nodesOne.getLength());
    }

    // 处理第二个XML
    ZipEntry secondEntry = zipFile.getEntry("second.xml"); // 替换为实际文件名
    assertNotNull(secondEntry);
    try (InputStream entryStream = zipFile.getInputStream(secondEntry)) {
        NodeList nodesTwo = getNodesByName(entryStream, "nodeTwo");
        assertEquals(EXPECTED_NODE_TWO, nodesTwo.getLength());
    }
} finally {
    // 清理临时文件
    tempZip.delete();
}

// 此时getNodesByName可以简化为通用的流解析方法
NodeList getNodesByName(InputStream is, String nodeName) throws ParserConfigurationException, IOException, SAXException {
    InputSource is = new InputSource(new InputStreamReader(is));
    Document doc = DocumentBuilderFactory.newInstance().newDocumentBuilder().parse(is);
    return doc.getElementsByTagName(nodeName);
}

问题根源 #

DocumentBuilder.parse()方法会读取整个输入流直到EOF，而ZipInputStream的EOF是整个ZIP文件的末尾，不是当前条目的末尾。解析第一个条目时，解析器会把后续条目甚至ZIP文件的结束标识都读入，导致ZipInputStream的指针直接跳到文件末尾，后续getNextEntry()无法找到有效条目。部分解析器实现还会关闭输入流，直接导致ZipInputStream失效。

内容的提问来源于stack exchange，提问作者Thomas