在linux上使用c++以块形式读写

Question

我有一个ASCII文件，其中每一行都包含一个可变长度的记录。例如

Record-1:15 characters
Record-2:200 characters
Record-3:500 characters
...
...
Record-n: X characters

由于文件大小约为10 in，所以我想用块读取记录。一旦读取，我需要转换它们，将它们写入另一个二进制格式的文件中。

因此，对于阅读，我的第一个反应是创建一个char数组，如

FILE *stream; 
char buffer[104857600]; //100 MB char array
fread(buffer, sizeof(buffer), 104857600, stream);

1. 是否正确地假设linux将发出一个系统调用并获取整个100 in？
2. ，因为记录被新行分隔，我逐字符搜索缓冲区中的新行字符并重构每个记录。

我的问题是，这是我应该如何读块，还是有更好的选择来读取数据块和重建每一个记录？是否有其他方法可以在一个调用中从ASCII文件中读取x个可变大小的行？

接下来在写的时候，我也是这样做的。我有一个写字符缓冲区，我将它传递给fwrite，以便在一个调用中写入一整组记录。

fwrite(buffer, sizeof(buffer), 104857600, stream);

更新:如果我使用setbuf(流、缓冲区)，其中缓冲区是我的100 my的char缓冲区，那么fget会从缓冲区返回还是导致磁盘IO？

Answer 1

1. 是的，fread会立刻把整个东西取回来。(假设它是一个常规文件。)但是，除非文件本身是105 MB，否则它不会读取105 MB，而且如果不检查返回值，就无法知道实际读取了多少数据，或者是否有错误。
2. 使用fgets (参见man fgets)而不是fread。这将为您搜索换行处。

char linebuf1000；FILE *file =.；而(fget(linebuf，sizeof(linebuf)，file) { // decode单行}

• ，则代码存在问题。

char buffer104857600；//太大

如果您试图在堆栈上分配一个大缓冲区(105 MB当然很大)，那么它将失败，您的程序将崩溃。如果需要这么大的缓冲区，就必须使用malloc或类似的方法在堆中分配它。我当然会保留单个函数最多几十KB的堆栈使用情况，尽管在大多数股票Linux系统上您可能可以使用几MB。

作为一种选择，您只需将整个文件mmap到内存中即可。在大多数情况下，这不会改善或降低性能，但更容易使用。

int r, fdes;
struct stat st;
void *ptr;
size_t sz;

fdes = open(filename, O_RDONLY);
if (fdes < 0) abort();
r = fstat(fdes, &st);
if (r) abort();
if (st.st_size > (size_t) -1) abort(); // too big to map
sz = st.st_size;
ptr = mmap(NULL, sz, PROT_READ, MAP_SHARED, fdes, 0);
if (ptr == MAP_FAILED) abort();
close(fdes); // file no longer needed

// now, ptr has the data, sz has the data length
// you can use ordinary string functions

使用mmap的优点是您的程序不会耗尽内存。在64位系统上，您可以同时将整个文件放入地址空间(甚至10 GB文件)，当程序访问内存时，系统将自动读取新的块。旧块将自动丢弃，如果您的程序再次需要它们，则重新读取它们。

这是一个很好的方式，犁大文件。

Answer 2

如果可以的话，您可能会发现对该文件进行mmap操作将是最简单的。mmap将文件的一部分映射到内存中，这样整个文件基本上可以作为字节数组访问。在您的示例中，您可能无法同时映射整个文件--它看起来如下所示：

#include <stdio.h>
#include <sys/stat.h>
#include <sys/types.h>
#include <unistd.h>
#include <sys/mman.h>


/* ... */

struct stat stat_buf;
long pagesz = sysconf(_SC_PAGESIZE);
int fd = fileno(stream);
off_t line_start = 0;
char *file_chunk = NULL;
char *input_line;
off_t cur_off = 0;
off_t map_offset = 0;
/* map 16M plus pagesize to ensure any record <= 16M will always fit in the mapped area */
size_t map_size = 16*1024*1024+pagesz;
if (map_offset + map_size > stat_buf.st_size) {
  map_size = stat_buf.st_size - map_offset;
}
fstat(fd, &stat_buf);
/* map the first chunk of the file */
file_chunk = mmap(NULL, map_size, PROT_READ, MAP_SHARED, fd, map_offset);
// until we reach the end of the file
while (cur_off < stat_buf.st_size) {
  /* check if we're about to read outside the current chunk */
  if (!(cur_off-map_offset < map_size)) {
    // destroy the previous mapping
    munmap(file_chunk, map_size);
    // round down to the page before line_start
    map_offset = (line_start/pagesz)*pagesz;
    // limit mapped region to size of file
    if (map_offset + map_size > stat_buf.st_size) {
      map_size = stat_buf.st_size - map_offset;
    }
    // map the next chunk
    file_chunk = mmap(NULL, map_size, PROT_READ, MAP_SHARED, fd, map_offset);
    // adjust the line start for the new mapping
    input_line = &file_chunk[line_start-map_offset];
  }
  if (file_chunk[cur_off-map_offset] == '\n') {
    // found a new line, process the current line
    process_line(input_line, cur_off-line_start);
    // set up for the next one
    line_start = cur_off+1;
    input_line = &file_chunk[line_start-map_offset];
  }
  cur_off++;
}

最复杂的是避免太大的映射。您可能可以使用

char *file_data = mmap(NULL, stat_buf.st_size, PROT_READ, MAP_SHARED, fd, 0);

Answer 3

我的观点是使用fgets(buff)自动检测新线路。

然后使用strlen(buff)来计算缓冲区大小，

if( (total+strlen(buff)) > 104857600 )

然后用新的块写..。

但是这个块的大小几乎不可能是104857600字节。

CMIIW