如何递归解压嵌套的 GZIP 文件（.gz 套 .gz）
本文介绍使用 python 递归解压多层嵌套的 .gz 文件（即压缩包内含 .gz 文件，其内部又可能含 .gz），最终提取出原始 xml 等目标数据，并支持自定义输出路径。
处理网络路由数据、日志归档或是科研数据集时，你很可能遇到过一种让人头疼的“俄罗斯套娃”式压缩文件：一个顶层的 .gz 文件解压出来，里面躺着的居然还是 .gz 文件，一层套一层，非得剥开好几层“外壳”，才能见到真正的 XML 或文本数据。Python 自带的 gzip 模块虽然好用，但面对这种嵌套结构就束手无策了。不过别担心，通过“递归解压”配合“文件类型识别”，完全可以实现全自动的一键展开。
下面这个函数，就是一个兼顾健壮性与扩展性的解决方案：
import gzip
import shutil
import os
from pathlib import Path
def extract_gz_recursively(
gz_path: str,
output_dir: str = ".",
keep_intermediates: bool = False) -> None:
"""
递归解压嵌套 .gz 文件，直至获得非 .gz 文件（如 XML、TXT 等）。
Args:
gz_path: 输入 .gz 文件路径
output_dir: 最终解压内容存放目录（默认为当前目录）
keep_intermediates: 是否保留中间解压出的 .gz 文件（默认 False）
"""
gz_path = Path(gz_path)
output_dir = Path(output_dir)
output_dir.mkdir(exist_ok=True)
# 构造解压后的文件名（移除最外层 .gz）
stem = gz_path.stem if gz_path.suffix == ".gz" else gz_path.name
extracted_path = output_dir / stem
# 解压当前 .gz 文件
try:
with gzip.open(gz_path, "rb") as f_in:
with open(extracted_path, "wb") as f_out:
shutil.copyfileobj(f_in, f_out)
print(f"✓ Extracted: {gz_path.name} → {extracted_path.name}")
except Exception as e:
print(f"✗ Failed to extract {gz_path.name}: {e}")
return
# 若解压结果仍是 .gz 文件，则递归处理
if extracted_path.suffix == ".gz" and extracted_path.is_file():
extract_gz_recursively(
extracted_path,
output_dir=output_dir,
keep_intermediates=keep_intermediates
)
# 可选：清理中间 .gz（仅当不保留时）
if not keep_intermediates:
extracted_path.unlink(missing_ok=True)
else:
# 已到达最终数据（如 XML），可选重命名或分类
if extracted_path.suffix.lower() in (".xml", ".txt", ".csv"):
print(f"→ Final data found: {extracted_path.name}")
# ✅ 使用示例：批量处理指定目录下所有 .gz 文件
if __name__ == "__main__":
INPUT_DIR = "./archives" # 存放顶层 .gz 文件的目录
OUTPUT_DIR = "./extracted" # 所有最终 XML 数据将落在此目录
for gz_file in Path(INPUT_DIR).glob("*.gz"):
extract_gz_recursively(gz_file, output_dir=OUTPUT_DIR)
关键说明与注意事项：
要让这个流程跑得既稳当又高效，有几个细节值得琢磨：
- 安全终止机制：函数通过检查文件后缀是否为 “.gz” 来决定是否继续递归，这能有效避免因文件损坏或命名异常导致的无限循环。
- 路径健壮性：全程使用 pathlib.Path 对象而非字符串拼接，好处是自动兼容不同操作系统的路径分隔符，代码更清晰，也减少了低级错误。
- 错误防护：对核心的解压操作（gzip.open）进行了异常捕获。这样一来，即便某个嵌套文件损坏，也只会跳过该文件并打印错误，而不会让整个批量处理流程戛然而止。
- 资源管理：默认情况下，中间解压产生的 .gz 文件会被自动清理（keep_intermediates=False）。这对于处理大量深层嵌套文件尤其重要，能避免磁盘空间被一堆临时文件迅速占满。
- 扩展建议：如果你希望最终文件能按原始嵌套层级来组织（比如输出到 ./extracted/level1/level2/xmldata1.xml 这样的路径），可以在递归函数中增加一个“深度”参数，并根据它来动态创建对应的子目录。
运行起来之后，无论原先的结构有多复杂，比如 maingzfile/subgzfile1/xmldata1 这样的多层嵌套，所有目标 XML 文件都会被自动提取出来，并整齐地归集到你指定的输出目录（如 ./extracted/）。整个过程无需人工干预，真正实现了“一键穿透多层 GZIP”。
