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

我有一个文件，其中包含一个标题和一个很长的字符串，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，对于包含长度为 100k 且标题为 >Ecoli100k 的字符串的文件，fileSize 为 101261，line1Size 为 10。现在用于计算字符串的长度而无需再读取：

101261 - (10+1) = 101250 表示没有标题，这个文件包含 101250 个字符

101250/81 = 1250 这意味着有 1250 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，并且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。

有人知道这个 [[ extra 1 ]] 是从哪里来的吗？文件末尾有什么东西吗？

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）：

偏移量 0：3e 45 63 6f 6c 69 31 30 30 6b

偏移量 0000018b83：54 47 47 43 41 47 41 41 43 0a

谢谢大家。

Answer 1

有几个候选人：

• 如果您在 windows 下，并且文件是在文本模式下写入的，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写入的，则可能添加了文件结尾字符（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（参见我的第二次编辑下的说明）

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：

因此，您的最后一行的末尾似乎有一个换行符（在您的输出中结束 ASCII 代码 0a）。

了解文本模式和二进制模式可能存在差异很重要。 C++ 标准没有详细说明这些内容，但在其第 27.1.9.4 节中对 C 标准输出的依赖，这些内容在 C11 标准中进行了描述：

7.21.2/2： 文本流是组成行的有序字符序列，每行由零个或多个字符组成 加上一个终止的换行符。 最后一行是否需要 终止换行符是实现定义的。人物 可能必须在输入和输出上添加、更改或删除 符合在宿主中表示文本的不同约定 环境。因此，不需要一一对应 在流中的字符和外部字符之间 表示。从文本流中读入的数据必然 比较等于之前写入该流的数据 仅当：数据仅由打印字符和控件组成 字符水平制表符和换行符；没有换行符 紧接在空格字符之前；最后一个字符是 换行符。是否写出空格字符 读入时紧接在换行符出现之前是 实现定义。