如何读取gzip文本：用gzip.open指定文本模式

如果你手里有一个.gz文件，想读出里面的文字，第一步不是打开它，而是确认它属于哪种压缩格式。

gzip模块的文档说明，GzipFile类读写的是gzip格式文件，会自动压缩或解压数据，让它看起来像一个普通文件对象。文档还专门指出：gzip和gunzip程序能解压的其他一些格式，比如compress和pack产生的文件，这个模块并不支持。

这一点决定了工具选择。gzip格式通常对应单个被压缩的数据流，文件名以.gz结尾；ZIP是另一种压缩格式，一个ZIP包里可以装多个成员，读取方式也不同。用gzip.open去读ZIP文件，或用zipfile去读.gz文件，都不对路。

本文只处理一件事：读取你自己创建的.gz文本样例，用gzip.open的文本模式把它当普通文本文件读出来。不涉及ZIP成员的读取，也不涉及压缩包里的任何代码。

动手前请把练习文件放在单独目录，例如exercise/，不要拿重要文件直接试。下面所有路径和内容都是自建练习示例。

一个边界：本文只读取你自己创建或可信来源的.gz文件。不要对来源不明的压缩包执行解压操作，更不要运行压缩包里附带的脚本或程序。

要练习读取，先得有一个自己造的.gz文件。做法是：先写一个普通文本文件，再用gzip.open以二进制写模式把它压成.gz。

按文档，gzip.open的mode参数默认是'rb'，也就是二进制读。写文件时用'wb'，写入的内容必须是bytes。下面这段只操作练习目录里的文件：

import gzip

text = "第一行：练习文本\n第二行：仅用于自建样例\n"
with gzip.open("exercise/sample.txt.gz", "wb") as f:
    f.write(text.encode("utf-8"))

这里有两个动作值得注意。第一，写入前用encode("utf-8")把字符串转成bytes，因为'wb'是二进制模式，不接受str。第二，with语句负责在结束时关闭文件，文档说明GzipFile支持with语句。

注意：这段代码只创建练习文件，不读取、不修改系统里其他任何文件。

文件造好之后，读取时把mode写成'rt'，就进入文本模式。

文档对gzip.open的说明是：它可以在二进制或文本模式下打开gzip压缩文件，返回一个文件对象；mode可以是'rt'、'at'、'wt'、'xt'这些文本模式。文本模式下会创建一个GzipFile对象，并用指定的encoding、错误处理方式和换行规则把它包进一个io.TextIOWrapper实例。

这句话解释了为什么文本模式能直接读出字符串：底层还是GzipFile在解压，外面套了一层文本包装器负责解码。

读取示例如下：

import gzip

with gzip.open("exercise/sample.txt.gz", "rt", encoding="utf-8") as f:
    content = f.read()

print(content)

关键点是encoding="utf-8"要显式写出来。文档说明encoding参数用于文本模式；如果不指定，解码就依赖运行环境的默认编码，同一个文件在不同机器上可能读出不同结果，甚至报错。显式写UTF-8，等于把“这个文件按UTF-8解码”这件事固定下来，和你写入时用的编码对应。

另一个容易踩的坑：文档明确说，二进制模式下encoding、errors、newline这三个参数不能提供。也就是说，写'rb'时不能顺手加encoding，那会直接报错。要指定编码，mode就必须是文本模式。

读完之后，不要只看“没报错”就结束，应该把输出和你写入时的原文对一遍。

核对方法很简单：你写入的是两行中文，读出来应该也是同样的两行，换行位置一致，没有多余空行，没有乱码方块或问号。可以按下面几点逐项看：

1. 行数对不对。写入两行，读出也应是两行。

2. 文字有没有变形。中文应正常显示，不应出现乱码。

3. 换行有没有多出来。如果发现每行之间多了一个空行，先检查是不是换行处理的问题，而不是文件坏了。

一个提醒：核对时把读出的内容和写入时的原文放在一起看，这是判断读取是否正确的直接依据。不要凭“看起来差不多”就认定读对了。

如果读取时报错，按下面顺序排查，能覆盖大多数情况。

第一类，文件不存在。路径写错、目录不对，都会导致找不到文件。先确认练习目录里确实有exercise/sample.txt.gz这个文件。

第二类，文件不是gzip格式。文档说明，gzip.BadGzipFile是为无效gzip文件抛出的异常，它继承自OSError；文档还补充，无效gzip文件也可能抛出EOFError和zlib.error。所以如果你拿一个ZIP文件或普通文本文件去喂gzip.open，可能看到这几类异常。这时候要回到第一步：确认文件到底是不是gzip格式。

第三类，编码不匹配。文件本身不是UTF-8，却按UTF-8解码，会报解码错误。排查方向是确认写入时用的编码，让读取编码和它一致。

第四类，模式参数冲突。前面提过，二进制模式下不能传encoding。如果你写的是'rb'又加了encoding，会直接报错，把mode改成'rt'即可。

排查时一次只改一个地方，改完重新读，这样能确定到底是哪一项导致的。

最后说明本文的适用范围和几条限制。

本文只读取你自己创建的.gz文本样例，用gzip.open的文本模式配合显式UTF-8编码。它不涉及ZIP压缩包成员的读取，不涉及压缩级别调优，也不比较不同压缩方法的性能。

几条操作边界：

1. 只处理自建或可信来源的.gz文件。来源不明的压缩包不要解压。

2. 不运行压缩包里的任何脚本或程序。压缩包可能包含可执行内容，读取文本和运行代码是两件事。

3. 练习时把文件放在单独目录，例如exercise/，不要拿重要文件直接试。

4. 本文示例只做读取，不修改、不删除任何文件。

关于版本：文档说明gzip.open对文本模式及encoding、errors、newline参数的支持是Python 3.3加入的，'x'、'xb'、'xt'模式是3.4加入的，接受path-like对象是3.6加入的。如果你用的版本更早，文本模式可能不可用。