如何在Zip归档中通过文件内容检测文件类型且不改变ZipInputStream读取位置

我完全懂你碰到的这个棘手问题：嵌套的Zip归档里混着改了扩展名的gzip文件，用ZipInputStream遍历的时候，要么靠扩展名识别不准，要么用流检测会移动指针导致后续读取直接失效——毕竟ZipInputStream本身不支持mark/reset，Tika内部的BufferedInputStream重置操作根本起不了作用。

先拆解问题根源 #

• Option 1（依赖扩展名）：把实际是gzip的3.zip误判为Zip，完全靠扩展名识别的方式在这种场景下彻底不可靠。
• Option 2（直接传ZipInputStream给Tika）：Tika会读取流内容推进指针，导致ZipInputStream的位置偏移，后续调用getNextEntry()时找不到下一个条目，因为ZipInputStream没有实现mark和reset能力，就算Tika套了BufferedInputStream，底层流不支持的话重置也是无效操作。

解决方案：用PushbackInputStream预读文件头并回推 #

核心思路很简单：先从ZipInputStream里读取一小段足够识别文件类型的字节（比如前1024字节，覆盖绝大多数文件的签名头），用这段字节做类型检测，然后把读取的字节推回流里，保证ZipInputStream的读取位置完全不变，后续还能正常处理条目或递归嵌套Zip。

修改后的完整代码如下：

import org.apache.tika.Tika;
import java.io.*;
import java.util.ArrayList;
import java.util.List;

public class NestedZipProcessor {

    private static final Tika TIKA = new Tika();
    // 足够检测文件类型的字节数，1024字节完全覆盖常见文件的签名头
    private static final int DETECT_BUFFER_SIZE = 1024;

    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");
            e.printStackTrace();
        }
    }

    public static List<String> lookupInZip(InputStream inputStream) throws IOException {
        List<String> paths = new ArrayList<>();
        ZipInputStream zipInputStream = new ZipInputStream(inputStream);
        ZipEntry entry = zipInputStream.getNextEntry();
        while (entry != null) {
            String entryName = entry.getName();
            if (!entry.isDirectory()) {
                // 用PushbackInputStream包装，支持回推读取的字节
                PushbackInputStream pushbackStream = new PushbackInputStream(zipInputStream, DETECT_BUFFER_SIZE);
                byte[] buffer = new byte[DETECT_BUFFER_SIZE];
                int bytesRead = pushbackStream.read(buffer);

                // 基于读取的字节数组检测文件类型，完全不影响原流位置
                String fileType = TIKA.detect(buffer, 0, bytesRead);
                // 把读取的字节推回流里，恢复原流的读取位置
                if (bytesRead > 0) {
                    pushbackStream.unread(buffer, 0, bytesRead);
                }

                if ("application/zip".equals(fileType)) {
                    // 传递pushbackStream递归，它和原zipInputStream关联且位置已恢复
                    List<String> innerPaths = lookupInZip(pushbackStream);
                    // 给嵌套路径加上当前entry的前缀，保证路径完整性
                    innerPaths = innerPaths.stream()
                            .map(inner -> entryName + "/" + inner)
                            .toList();
                    paths.addAll(innerPaths);
                } else {
                    paths.add(entryName);
                }
            }
            entry = zipInputStream.getNextEntry();
        }
        return paths;
    }
}

关键细节说明 #

1. PushbackInputStream的核心价值：它允许我们把读取过的字节重新推回流中，完美解决了“读取内容检测类型但不改变流位置”的核心需求。
2. 检测字节数的选择：1024字节足够覆盖绝大多数文件的签名头（比如Zip开头是PK，gzip是1F 8B），Tika只需要这些签名就能准确识别类型。
3. 路径完整性维护：递归处理嵌套Zip时，把当前条目名称作为前缀加到内部路径上，输出路径会和你示例里的root/1.zip/2.zip/3.zip/4.txt格式完全一致。
4. Tika的detect(byte[])方法：直接用字节数组检测，完全不依赖流的位置，从根源上避免了操作原流的问题。

这样修改后，既能正确识别3.zip是gzip类型（不会误判为Zip去递归），又能保证ZipInputStream的读取位置不受影响，后续的getNextEntry()能正常工作。

内容的提问来源于stack exchange，提问作者Gürcan Kavakçı