c - strstr 的微妙之处？

Question

我有一个二进制数据文件，其中散布着各种字符串。我正在尝试编写 C 代码来查找文件中第一次出现的用户指定字符串。 (我知道这可以用 bash 完成，但出于其他原因我需要一个 C 代码。)目前的代码是:

#include <stdio.h>
#include <string.h>

#define CHUNK_SIZE 512

int main(int argc, char **argv) {
    char *fname = argv[1];
    char *tag = argv[2];
    FILE *infile;
    char *chunk;
    char *taglcn = NULL;
    long lcn_in_file = 0;
    int back_step;
    fpos_t pos;

    // allocate chunk
    chunk = (char*)malloc((CHUNK_SIZE + 1) * sizeof(char));

    // find back_step
    back_step = strlen(tag) - 1;

    // open file
    infile = fopen(fname, "r");

    // loop
    while (taglcn == NULL) { 
        // read chunk
        memset(chunk, 0, (CHUNK_SIZE + 1) * sizeof(char));
        fread(chunk, sizeof(char), CHUNK_SIZE, infile);
        printf("Read %c\n", chunk[0]);
        // look for tag
        taglcn = strstr(chunk, tag);
        if (taglcn != NULL) {
            // if you find tag, add to location the offset in bytes from beginning of chunk
            lcn_in_file += (long)(taglcn - chunk);
            printf("HEY I FOUND IT!\n");
        } else {
            // if you don't find tag, add chunk size minus back_step to location and ...
            lcn_in_file += ((CHUNK_SIZE - back_step) * sizeof(char)); 
            // back file pointer up by back_step for next read 
            fseek(infile, -back_step, SEEK_CUR);
            fgetpos(infile, &pos);
            printf("%ld\n", pos);
            printf("%s\n\n\n", chunk);
        }
    }
    printf("%ld\n", lcn_in_file);

    fclose(infile);
    free(chunk);
}

如果您想知道，back_step 是为了处理不太可能发生的问题，即所讨论的字符串被 chunk 边界分割。

我要检查的文件大小约为 1Gb。问题是，出于某种原因，我可以在前 9000 个左右的字节内找到任何字符串，但除此之外，strstr 不知何故没有检测到任何字符串。也就是说，如果我在文件中查找超出 9000 字节左右的字符串，strstr 不会检测到它。代码读取整个文件，永远找不到搜索字符串。

我已经尝试将 CHUNK_SIZE 从 128 更改为 50000，但结果没有变化。我也尝试了不同的 back_step。当 strstr 找不到字符串时，我什至放入了诊断代码以逐个字符地打印出 chunk，果然，字符串正是它应该在的位置. pos 的诊断输出始终正确。

谁能告诉我哪里出错了？ strstr 是不是用错了工具？

Answer 1

既然你说你的文件是二进制的，strstr()将在文件中的第一个空字节处停止扫描。

如果你想在二进制数据中寻找模式，那么 memmem()功能是适当的，如果它是可用的。它在 Linux 和其他一些平台(BSD、macOS 等)上可用，但未定义为标准 C 或 POSIX 的一部分。它与 memcpy() 与 strstr() 的关系大致相同。熊strcpy() .

---

请注意，您的代码应该检测 fread() 读取的字节数，并且只搜索它。

char   *tag = …;     // Identify the data to be searched for
size_t  taglen = …;  // Identify the data's length (maybe strlen(tag))
int     nbytes;
while ((nbytes = fread(chunk, 1, (CHUNK_SIZE + 1), infile)) > 0)
{
    …
    tagcln = memmem(chunk, nbytes, tag, taglen);
    if (tagcln != 0)
        …found it…
    …
}

目前还不清楚为什么您在 block 大小上有 +1。 fread() 函数不会在数据末尾添加空字节或类似内容。我保持这方面不变，但可能不会在我自己的代码中使用它。

最好注意识别跨越两个 block 之间边界的标签。