Scala正则匹配AVRO文件首行失败，求技术指导

问题根源 #

你用#010616的写法不符合正则表达式中表示ASCII控制字符的规则，同时unanchored模式会忽略^锚定符，导致无法精准匹配文件开头。另外AVRO是二进制文件，直接按文本行读取可能出现字符解析错误。

解决方案 #

方案1：使用正则表达式匹配（注意字符编码） #

Scala中，正则用\xHH（两位十六进制数）表示ASCII控制字符，同时要注意字符串中反斜杠需要转义为\\。如果要精准匹配文件开头，不要用unanchored模式：

// 正确的正则表达式，匹配AVRO开头的二进制转文本后的序列
val avroStartPattern = "^Obj\\x01\\x06\\x16avro.schema".r

// 注意：读取二进制文件时需用ISO-8859-1编码，避免控制字符被转义
val fileContent = scala.io.Source.fromFile("your-file.avro", "ISO-8859-1").mkString
avroStartPattern.findFirstIn(fileContent) match {
  case Some(_) => println("匹配到AVRO文件开头")
  case None => println("未匹配到")
}

方案2：直接对比字节数组（更可靠） #

AVRO是二进制格式，直接读取文件开头的字节序列进行对比是最准确的方式，避免正则和编码问题：

import java.io.FileInputStream

// 定义AVRO开头的字节序列
val avroHeader = Array[Byte](
  'O', 'b', 'j',
  0x01, 0x06, 0x16, // 对应ctl-a、ctl-f、ctl-v
  'a', 'v', 'r', 'o', '.', 's', 'c', 'h', 'e', 'm', 'a'
)

val fis = new FileInputStream("your-file.avro")
val buffer = new Array[Byte](avroHeader.length)
val readLength = fis.read(buffer)
fis.close()

// 对比读取的字节和目标字节序列
val isAvroFile = readLength == avroHeader.length && buffer.sameElements(avroHeader)
println(if (isAvroFile) "是AVRO文件" else "不是AVRO文件")

关键注意点 #

• unanchored模式会让正则忽略^和$锚定符，如果你要匹配文件开头，务必去掉这个模式。
• 二进制文件不要用默认的UTF-8编码读取，ISO-8859-1编码能准确映射每个字节到对应字符。
• 直接对比字节数组是处理二进制文件标识最可靠的方式，避免正则表达式带来的编码转义问题。

内容的提问来源于stack exchange，提问作者Mark Rostron