使用c在linux上分块读写

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 10GB，我想分块读取记录。一旦读取，我需要转换它们，将它们以二进制格式写入另一个文件。

因此，为了阅读，我的第一反应是创建一个 char 数组，例如

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

1. linux 将发出一个系统调用并获取整个 100MB 的假设是否正确？
2. 由于记录由换行符分隔，因此我在缓冲区中逐个字符搜索新行字符并重建每个记录。

我的问题是，我应该如何分块读取数据，或者是否有更好的替代方法来分块读取数据并重建每个记录？是否有另一种方法可以在一次调用中从 ASCII 文件中读取 x 个可变大小的行？

接下来在写作过程中，我也会这样做。我有一个写入字符缓冲区，我将其传递给 fwrite 以在一次调用中写入一整套记录。

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

更新：如果我 setbuf(stream, buffer)，其中 buffer 是我的 100MB 字符缓冲区，fgets 是否会从缓冲区返回或导致磁盘 IO？

1. Yes, fread将立即获取整个内容。 （假设它是一个普通文件。）但是它不会读取 105 MB，除非文件本身是 105 MB，并且如果您不检查返回值，您将无法知道实际读取了多少数据，或者是否存在是一个错误。

2. Use fgets (see man fgets） 代替fread。这将为您搜索换行符。

   char linebuf[1000];
   FILE *file = ...;
   while (fgets(linebuf, sizeof(linebuf), file) {
       // decode one line
   }
   

3. 您的代码有问题。

   char buffer[104857600]; // too big
   

   如果您尝试在堆栈上分配一个大缓冲区（105 MB 当然很大），那么它将失败并且您的程序将崩溃。如果您需要那么大的缓冲区，则必须在堆上分配它malloc或类似的。我当然会将单个函数的堆栈使用量保持在最多几十 KB，尽管在大多数现有的 Linux 系统上您可能只需要几 MB。

作为替代方案，你可以mmap整个文件进入内存。在大多数情况下，这不会提高或降低性能，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

使用的优点mmap是你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您的地址空间（甚至是 10 GB 的文件），系统将在您的程序访问内存时自动读取新的块。旧的块将被自动丢弃，并在您的程序再次需要它们时重新读取。

这是处理大文件的一种非常好的方法。