python - 可以在循环内多次使用 getline() 吗？ - Cython，文件读取

Question

我想读取一个 4 行 4 行的文件(它是一个带有 DNA 序列的 fastq 文件)。
当我一行一行或一行两行读取文件时，没有问题，但是当我一次读取 3 或 4 行时，我的代码崩溃了(内核似乎在 jupyter notebook 上死掉了)。 (取消注释最后一部分，或 4 个 getline() 中的任意 3 个。
我尝试使用双字符数组(char**)来存储行，但存在同样的问题。
知道是什么原因吗？
使用 Python 3.7.3、Cython 0.29，更新了所有其他库。正在读取的文件大约为 1.3GB，机器有 8GB，ubuntu 16.04。
代码改编自 https://gist.github.com/pydemo/0b85bd5d1c017f6873422e02aeb9618a

%%cython
from libc.stdio cimport FILE, fopen, fclose, getline
    
def fastq_reader(early_stop=10):
    cdef const char* fname = b'/path/to/file'
    cdef FILE* cfile
    cfile = fopen(fname, "rb")

    cdef:
        char * line_0 = NULL
        char * line_1 = NULL
        char * line_2 = NULL
        char * line_3 = NULL
        size_t seed = 0
        ssize_t length_line
        unsigned long long line_nb = 0

    while True:
        length_line = getline(&line_0, &seed, cfile)
        if length_line < 0: break
        
        length_line = getline(&line_1, &seed, cfile)
        if length_line < 0: break
        
#         length_line = getline(&line_2, &seed, cfile)
#         if length_line < 0: break
        
#         length_line = getline(&line_3, &seed, cfile)
#         if length_line < 0: break

        line_nb += 4
        if line_nb > early_stop:
            break

    fclose(cfile)
    return line_nb

fastq_reader(early_stop=20000)

Answer 1

根本问题是我对 getline() 的误解getline() c reference
要将行存储在不同的变量中，关联的 n每个行指针都需要*lineptr .

If *lineptr is set to NULL and *n is set 0 before the call, thengetline() will allocate a buffer for storing the line.

Alternatively, before calling getline(), *lineptr can contain apointer to a malloc(3)-allocated buffer *n bytes in size. If thebuffer is not large enough to hold the line, getline() resizes itwith realloc(3), updating *lineptr and *n as necessary.

n (或 seed 在我的代码中)将保存为指针分配的缓冲区的大小，其中 getline() 放置传入行。当我为不同的指针设置相同的缓冲区变量时，getline 得到了 char* line_xxx 大小的错误信息。

由于 fastq 文件通常是这种形状:

@read_id_usually_short
CTATACCACCAAGGCTGGAAATTGTAAAACACACCGCCTGACATATCAATAAGGTGTCAAATTCCCTTTTCTCTAGCTTTCGTACT_very_long
+
-///.)/.-/)//-//..-*...-.&%&.--%#(++*/.//////,/*//+(.///..,%&-#&)..,)/.,.._same_length_as_line_2

一两个具有相同缓冲区长度的 getline() 没有错误，因为缓冲区太小并且 getline 增大了指针的大小。
但是当使用 3 或 4 个 getlines() 时，调用 length_line = getline(&line_2, &seed, cfile)被要求存储长度为 2 ('+\n') 的 char*，同时得到 ( 错误信息 ) 指针 line_2已经足够大(line_1 的大小)。

所以(简单的)解决方案是

%%cython
from libc.stdio cimport FILE, fopen, fclose, getline
    
def fastq_reader(early_stop=10):
    cdef const char* fname = b'/path/to/file'
    cdef FILE* cfile
    cfile = fopen(fname, "rb")

    cdef:
        char * line_0 = NULL
        char * line_1 = NULL
        char * line_2 = NULL
        char * line_3 = NULL
        # One variable for each line pointer
        size_t n_0 = 0
        size_t n_1 = 0
        size_t n_2 = 0
        size_t n_3 = 0
        ssize_t length_line
        unsigned long long line_nb = 0

    while True:
        # Reading the same file (same cfile), but line_x and n_x by pairs)
        length_line = getline(&line_0, &n_0, cfile)  
        if length_line < 0: break
        
        length_line = getline(&line_1, &n_1, cfile)
        if length_line < 0: break
        
        length_line = getline(&line_2, &n_2, cfile)
        if length_line < 0: break
        
        length_line = getline(&line_3, &n_3, cfile)
        if length_line < 0: break

        line_nb += 4
        if line_nb > early_stop:
            break

    fclose(cfile)
    return line_nb

fastq_reader(early_stop=20000)

谢谢你指出我的错误。