如何查看ZIP/RAR压缩包的文件名编码格式？

Question

如何查看ZIP/RAR压缩包的文件名编码格式？这是跨平台解压时中文乱码的根源性问题。ZIP规范本身未强制指定文件名编码，Windows常用GBK/GB18030（如WinRAR默认），macOS/Linux多用UTF-8（但旧版Info-ZIP可能存为CP437）；RARv5已强制UTF-8，而RARv4仍依赖创建端本地编码。直接查看编码无标准元数据字段——ZIP无编码标识，RARv4也不存储编码声明。实用方法包括：① 用`7z l -slt archive.zip`观察`Character set`字段（仅部分7-Zip版本支持识别）；② 在Linux/macOS用`unzip -l`对比显示效果，辅以`iconv`尝试转码验证；③ 用Python `zipfile`模块读取`ZipInfo.filename`原始字节，结合`chardet`探测（需注意BOM缺失导致误判）；④ RAR推荐升级至v5并统一用UTF-8创建。根本解法是创建时显式指定编码（如7-Zip GUI勾选“UTF-8 for file names”），而非事后猜测。

Answer 1

```html

一、现象层：跨平台解压中文乱码的典型表现

在Windows下用WinRAR创建的含中文文件名的ZIP/RAR包，于Linux终端执行unzip -l archive.zip时显示为“ļ.txt”；macOS上7-Zip解压后文件名呈现为“文件夹.txt”。此类现象并非解压失败，而是文件名字节流被错误解释——根源在于压缩包未携带编码声明，解压器只能依赖平台默认或启发式猜测。

二、规范层：ZIP/RAR编码机制的本质缺陷

• ZIP (PKWARE APPNOTE 6.3.6)：仅定义general purpose bit flag #11（UTF-8标志位），但不强制要求设置，且旧工具（如早期WinZip）完全忽略该位；
• RARv4：无任何编码字段，完全依赖创建系统本地locale（Windows=GBK/GB18030，Linux=LANG环境变量）；
• RARv5：RFC-compliant设计，强制使用UTF-8编码文件名与注释，并写入版本标识头（0x15, 0x00）；
• 关键事实：ZIP无全局编码元数据字段，RARv4无编码声明字段——这意味着“查看编码”本质是逆向工程，而非读取标准属性。

三、探测层：四种可落地的编码识别技术路径

方法	适用格式	命令/代码示例	可靠性
① 7z元数据启发式识别	ZIP/RAR（部分7-Zip 22+）

7z l -slt archive.zip | grep "Character set"

★☆☆☆☆（仅对已知签名/历史行为建模）
② iconv穷举验证法	ZIP（Linux/macOS）

unzip -l archive.zip | iconv -f gbk -t utf-8 2>/dev/null || iconv -f gb18030 -t utf-8

★★★☆☆（需人工比对可读性）
③ Python字节级探测	ZIP（全平台）

import zipfile, chardet; z = zipfile.ZipFile("a.zip"); raw = z.filelist[0].filename.encode("latin1"); print(chardet.detect(raw))

★★☆☆☆（BOM缺失时GBK/GB18030易误判为UTF-8）

四、根治层：从创建端消除不确定性

事后探测永远滞后且不可靠。真正工程化方案必须前移至压缩生成阶段：

• ZIP创建强制UTF-8：7-Zip CLI使用7z a -mcu=on archive.zip folder/（-mcu = “set UTF-8 for file names”）；
• RARv5迁移：WinRAR 5.0+ 默认v5格式，命令行加-hp5确保版本；
• CI/CD流水线加固：在打包脚本中嵌入校验逻辑——用Python读取ZIP首512字节，检测general purpose bit flag #11是否置位（bitmask 0x0800）；
• 归档策略升级：对长期存档场景，弃用ZIP/RAR，改用tar.gz（POSIX标准，文件名语义由LANG统一管控）或zstd --long=31（无编码歧义）。

五、进阶诊断：可视化编码冲突溯源流程

graph LR
  A[原始中文字符串“测试文档.txt”] --> B{Windows GBK编码}
  A --> C{Linux UTF-8编码}
  B --> D[字节流：C9E2CAD4CEC4.txt]
  C --> E[字节流：E6B58BE8AF95E69687.E6A1A3.txt]
  D --> F[Linux unzip -l 解析为CP437 → “├ÉΓ┬º┬¬┬┤.txt”]
  E --> G[Windows WinRAR 4.x 解析为GBK → “μ└╚╔²╩─.txt”]
  F & G --> H[根本矛盾：同一字节流，不同解码器映射到不同Unicode码点]

六、生产环境检查清单

1. 【必查】所有CI构建机安装7-Zip 23.01+，禁用系统自带zip命令；
2. 【必查】Java项目中java.util.zip.ZipOutputStream必须调用setLevel(Deflater.BEST_COMPRESSION)前，先设置zos.setMethod(ZipOutputStream.STORED)并手动注入UTF-8标志位（需反射修改flags字段）；
3. 【必查】Ansible Playbook中unarchive模块添加extra_opts: ["-O", "--encoding=utf-8"]（适配最新libarchive）；
4. 【必查】监控告警：对S3归档桶内ZIP文件，每日扫描unzip -Z1 archive.zip | head -n 100 | xxd -p | cut -c1-4，匹配0800位模式缺失率＞5%触发告警。

```