如何用Python从application/octet-stream类型的疑似Zip文件恢复数据？

问题原因分析 #

你得到的application/octet-stream类型文件，大概率是压缩过程异常中断、工具故障导致的损坏文件——要么是未生成正确压缩结构的残次品，要么是源文件数据直接被拼接成了一个无索引的大文件（因为大小和源文件夹一致，完全没压缩的可能性很高）。

编程恢复的可行路径 #

1. 先检测文件真实结构 #

首先通过文件头签名判断文件本质，不同格式有固定的开头字节：

• ZIP压缩包：50 4B 03 04
• 7z压缩包：37 7A BC AF 27 1C
• RAR压缩包：52 61 72 21 1A 07 00
• JPG图片：FF D8 FF
• PDF文档：25 50 44 46（即%PDF）
• DOCX/XLSX：50 4B 03 04（和ZIP一致，因为是压缩格式）

用Python脚本读取文件头验证：

with open("backup.zip", "rb") as f:
    # 读取前8字节转十六进制
    header_hex = f.read(8).hex().upper()
    print(f"文件头十六进制: {header_hex}")

如果检测到对应压缩格式的签名，说明是扩展名错误或损坏的压缩包；如果是图片/文档的签名，说明源文件被直接拼接了。

2. 针对损坏压缩包的恢复 #

如果是ZIP格式损坏：

• 尝试用第三方库ziprepair修复：

  from ziprepair import repair_zip
  
  # 复制原文件到backup_repaired.zip再操作
  repair_result = repair_zip("backup.zip", "backup_repaired.zip")
  if repair_result.success:
      print("修复成功，尝试用zipfile读取修复后的文件")
      import zipfile
      with zipfile.ZipFile("backup_repaired.zip", "r") as zf:
          print(zf.namelist())
  else:
      print(f"修复失败: {repair_result.error_message}")
  

• 如果修复失败，可以手动定位ZIP的中央目录（位于文件末尾，签名50 4B 05 06），提取目录信息后逐个恢复文件，但这个过程需要熟悉ZIP格式规范，实现起来较复杂。

3. 针对源文件拼接的恢复 #

如果文件是多个源文件直接拼接的（无压缩结构），可以通过扫描文件签名来分割提取：
以下是提取JPG和PDF的示例脚本：

import os

# 定义要识别的文件类型签名
file_signatures = {
    ".jpg": b"\xFF\xD8\xFF",
    ".pdf": b"%PDF"
}

output_dir = "recovered_files"
os.makedirs(output_dir, exist_ok=True)

with open("backup.zip", "rb") as f:
    file_data = f.read()

current_pos = 0
file_count = 0

while current_pos < len(file_data):
    # 遍历所有签名，查找匹配的位置
    matched_ext = None
    match_pos = len(file_data)
    for ext, sig in file_signatures.items():
        pos = file_data.find(sig, current_pos)
        if pos != -1 and pos < match_pos:
            match_pos = pos
            matched_ext = ext
    
    if matched_ext is None:
        # 没有找到更多签名，结束
        break
    
    # 如果当前位置和匹配位置有间隔，跳过无效数据
    if match_pos > current_pos:
        current_pos = match_pos
    
    # 查找下一个签名的位置，作为当前文件的结束
    next_pos = len(file_data)
    for ext, sig in file_signatures.items():
        pos = file_data.find(sig, current_pos + len(sig))
        if pos != -1 and pos < next_pos:
            next_pos = pos
    
    # 提取当前文件数据
    file_content = file_data[current_pos:next_pos]
    file_name = f"recovered_{file_count}{matched_ext}"
    with open(os.path.join(output_dir, file_name), "wb") as out_f:
        out_f.write(file_content)
    
    print(f"已提取: {file_name}")
    file_count += 1
    current_pos = next_pos

print(f"提取完成，共恢复{file_count}个文件")

注意：这种方法对无明显签名的纯文本文件效果差，且可能出现文件截断或合并的情况，需要手动验证恢复的文件完整性。

关键注意事项 #

• 绝对不要修改原始文件，所有操作都在复制的副本上进行，避免二次损坏。
• 50GB文件处理耗时较长，建议在性能较好的机器上运行脚本，且确保有足够的存储空间存放恢复的文件。

内容的提问来源于stack exchange，提问作者user19192927