如何递归解压嵌套 ZIP 文件并提取其中的 PDF

本文介绍一种纯内存方式递归解析多层嵌套 zip（zip 套 zip）并精准提取指定 pdf 文件的方法，避免 `stream closed` 异常，无需临时文件，适用于 java 8+ 环境。

在处理归档数据时，常会遇到“ZIP 套 ZIP”的嵌套结构——例如一个主 ZIP 文件中包含若干子 ZIP，而目标 PDF 文件深藏于某一层子 ZIP 内部。此时若沿用常规逐层解压到磁盘再重新打开的方式，不仅效率低、占用空间大，还极易因流复用错误（如 java.io.IOException: Stream Closed）导致解析中断。

核心问题在于：ZipInputStream 是单次前向读取流，一旦调用 getNextEntry() 并读取完某个条目内容后，该条目的数据已消耗完毕；若试图在未关闭当前流的前提下“回退”或“重入”同一 ZipInputStream 来处理嵌套 ZIP，则必然失败。

✅ 正确解法是：将嵌套 ZIP 条目完整读入内存字节数组，再基于该字节数组构建新的 ZipInputStream 进行递归解析。整个过程不依赖文件系统，所有操作均在内存中完成，既安全又高效。

以下是可直接运行的精简实现：

import java.io.*;
import java.util.zip.ZipEntry;
import java.util.zip.ZipInputStream;

public class NestedZipExtractor {

    private static final String ZIP_EXTENSION = ".zip";

    public static byte[] extractPdfFromNestedZip(String zipPath, String targetPdfName) throws IOException {
        File source = new File(zipPath);
        ByteArrayOutputStream resultBuffer = new ByteArrayOutputStream();

        try (ZipInputStream zis = new ZipInputStream(new BufferedInputStream(new FileInputStream(source)))) {
            digInto(zis, targetPdfName, resultBuffer);
        }
        return resultBuffer.toByteArray();
    }

    private static void digInto(ZipInputStream zis, String targetName, ByteArrayOutputStream output) throws IOException {
        ZipEntry entry;
        while ((entry = zis.getNextEntry()) != null) {
            String name = entry.getName();

            // ✅ 找到目标 PDF：直接复制内容到输出缓冲区
            if (name.equals(targetName) && name.toLowerCase().endsWith(".pdf")) {
                copy(zis, output);
                return;
            }

            // ? 发现嵌套 ZIP：读入内存，递归解析
            if (name.toLowerCase().endsWith(ZIP_EXTENSION)) {
                byte[] nestedZipBytes = readEntryToByteArray(zis);
                try (ZipInputStream innerZis = new ZipInputStream(new ByteArrayInputStream(nestedZipBytes))) {
                    digInto(innerZis, targetName, output);
                }
                // 若递归中已找到目标，output 已有数据，后续循环可提前终止（可选优化）
            }

            zis.closeEntry(); // 必须调用，否则 getNextEntry() 行为未定义
        }
    }

    // 将当前 ZipEntry 的全部内容读入字节数组
    private static byte[] readEntryTo
ByteArray(ZipInputStream zis) throws IOException {
        ByteArrayOutputStream buffer = new ByteArrayOutputStream();
        copy(zis, buffer);
        return buffer.toByteArray();
    }

    // 通用流拷贝工具（支持二进制）
    public static void copy(InputStream from, OutputStream to) throws IOException {
        byte[] buf = new byte[8192];
        int len;
        while ((len = from.read(buf)) > 0) {
            to.write(buf, 0, len);
        }
        to.flush();
    }

    // 示例用法
    public static void main(String[] args) {
        try {
            byte[] pdfBytes = extractPdfFromNestedZip(
                "C:/Users/user/Desktop/Scan/Data/MegaData.zip",
                "Report_Final.pdf"
            );

            // 保存结果 PDF 到磁盘（可选）
            Files.write(Paths.get("output.pdf"), pdfBytes);

            System.out.println("✅ PDF extracted successfully: " + pdfBytes.length + " bytes");

        } catch (IOException e) {
            System.err.println("❌ Extraction failed:");
            e.printStackTrace();
        }
    }
}

? 关键注意事项：

• 绝不复用 ZipInputStream：每次进入嵌套 ZIP 都必须创建全新的 ZipInputStream 实例，且其输入源必须是独立的 InputStream（如 ByteArrayInputStream）。
• 及时调用 closeEntry()：这是 ZipInputStream 的强制要求，遗漏会导致后续条目读取异常。
• 大小写敏感性：.zip 和 .pdf 后缀判断建议统一转为小写（toLowerCase()），避免 Windows 路径大小写不一致引发漏匹配。
• 内存考量：该方案将每个嵌套 ZIP 完整加载进内存。若嵌套层级极深或 ZIP 文件极大（>100MB），需评估 JVM 堆内存是否充足；生产环境可结合 RandomAccessFile 或分块流式处理进一步优化。
• 异常健壮性：实际项目中应补充对空条目、目录条目（entry.isDirectory()）、损坏 ZIP 的校验逻辑。

通过这种递归 + 内存流的组合策略，你不仅能可靠提取任意深度嵌套 ZIP 中的目标 PDF，还能轻松扩展为查找多种格式（如 .xlsx, .xml）、批量提取、或集成进 Spring Batch / Apache Commons Compress 等框架中。