c++ - 如何在不读取整个文件的情况下查找文件中字符串的长度

Question

我有一个包含标题和很长字符串的文件，例如:

>Ecoli100k
AGCTTTTCATTCTGACTGCAACGGGCAATATGTCTCTGTGTGGATTAAAAAAAGAGTGTCTGATAGCAGCTTCTGAACTG
GTTACCTGCCGTGAGTAAATTAAAATTTTATTGACTTAGGTCACTAAATACTTTAACCAATATAGGCATAGCGCACAGAC
....

我尝试使用以下方法检索文件大小和标题大小:

ifstream file(fileName.c_str(), ifstream::in | ifstream::binary);

string line1;
getline(file,line1);
int line1Size = line1.size();

file.seekg(0, ios::end);
long long fileSize = file.tellg();
file.close();

例如，对于包含标题为 >Ecoli100k 的长度为 100k 的字符串的文件，fileSize 为 101261 而 line1Size 为 10。现在无需再读取即可计算字符串的长度:

101261 - (10+1) = 101250 这意味着没有标题，这个文件包含 101250 个字符

101250/81 = 1250 这意味着有 1250 整行(但最后一行没有\n)所以我们必须从 101250 中减去 1249 才能得到字符串的长度，但这是错误的。我们得到 100k+1 而不是 100k。

在代码中:

int remainedLineCount = 
        (fileSize - line1Size - 1 - 1 /*the last line has no \n*/)/81 ;
cout<<(fileSize - line1Size - 1 - remainedLineCount )<<"\n";

在另一个示例中，我只添加了另一个字符，由于文件中的换行符，大小更改为 101263，再次通过此计算，我们将得到 100k+2 而不是 100k+1。

有谁知道这个 [[ extra 1 ]] 来自哪里？文件末尾有什么吗？

编辑:

根据要求，这里是文件开头和结尾字节的二进制值(十六进制):

offset 0: 3e 45 63 6f 6c 69 31 30 30 6b

offset 0000018b83: 54 47 47 43 41 47 41 41 43 0a

谢谢大家

Answer 1

有几个候选人:

• 如果你在 windows 下，如果文件是以文本模式编写的，那么第一行 + 换行符将存储在 10+2 个字符上，因为 '\n' 被翻译成 '\r'+'\n';
• 同样，如果文件是以文本模式编写的，则可能会添加文件结尾字符(在文本模式下不可见)，这在二进制模式下变得可读。
• 是否在文件的最后一行添加 '\n' 也取决于实现(请参阅我的第二次编辑下的解释)

补充阅读:

• difference between binary and text mode

编辑:

如果对编码有疑问，您可以在文件的开头和结尾显示字节的二进制值(十六进制):

void show (istream &ifs, int count) {  // utility function
    cout <<"offset "<<setw(10)<<ifs.tellg()<<": ";
    for (int i=0; i<10; i++) 
        cout << setw(2) << setfill('0') <<hex<<ifs.get()<<" ";
    cout <<endl; 
}

// with your newly opened filestream: 
show(ifs, 12);  
ifs.seekg(-10,ios::end);
show(ifs, 10);  

编辑 2:

所以看起来你在最后一行的末尾有一个换行符(在你的输出中结束 ASCII 代码 0a)。

重要的是要了解文本模式和二进制模式可能存在差异。 C++ 标准没有详细说明这些，但依赖于其关于 C stdio 的第 27.1.9.4 节，这在 C11 标准中有描述:

7.21.2/2: A text stream is an ordered sequence of characters composed into lines, each line consisting of zero or more characters plus a terminating new-line character. Whether the last line requires a terminating new-line character is implementation-defined. Characters may have to be added, altered, or deleted on input and output to conform to differing conventions for representing text in the host environment. Thus, there need not be a one- to-one correspondence between the characters in a stream and those in the external representation. Data read in from a text stream will necessarily compare equal to the data that were earlier written out to that stream only if: the data consist only of printing characters and the control characters horizontal tab and new-line; no new-line character is immediately preceded by space characters; and the last character is a new-line character. Whether space characters that are written out immediately before a new-line character appear when read in is implementation-defined.