可以在循环中多次使用 getline() 吗? - Cython,文件读取
Posted
技术标签:
【中文标题】可以在循环中多次使用 getline() 吗? - Cython,文件读取【英文标题】:Can getline() be used multiple times within a loop? - Cython, file reading 【发布时间】:2021-07-19 07:33:24 【问题描述】:我想读取一个 4 行 4 行的文件(它是一个 fastq 文件,带有 DNA 序列)。
当我一个接一个或两个接一个地读取文件时,没有问题,但是当我一次读取 3 或 4 行时,我的代码崩溃了(内核似乎已经在 jupyter notebook 上死了)。 (取消注释最后一部分,或 4 个 getline()
中的任何 3 个。
我尝试使用双数组 char (char**) 来存储行,但问题相同。
知道可能是什么原因吗?
使用 Python 3.7.3、Cython 0.29,所有其他库都已更新。正在读取的文件大约 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)
【问题讨论】:
seed
中包含的值告诉getline
是什么?
每次使用空指针调用 getline 时,n(或种子在您的情况下)应该为 0,但不是
谢谢大家,找到了。我误解了 getline() 的第二个参数。该“种子”实际上是缓冲区大小,由 getline() 调整大小。所以每行需要一个不同的变量。
【参考方案1】:
根本问题是我对getline()
getline() c reference的误解
要将行存储在不同的变量中,需要为每个行指针*lineptr
关联一个n
。
如果在调用前 *lineptr 设置为 NULL 并且 *n 设置为 0,那么 getline() 将分配一个缓冲区来存储该行。
或者,在调用 getline() 之前,*lineptr 可以包含一个 指向 malloc(3) 分配的缓冲区 *n 字节大小的指针。如果 缓冲区不够大,无法容纳行,getline() 调整它的大小 使用 realloc(3),根据需要更新 *lineptr 和 *n。
n
(或我的代码中的seed
)将保存为指针分配的缓冲区的大小,getline() 将传入行放在其中。当我为不同的指针设置相同的缓冲区变量时,getline 得到了错误的字符大小信息* line_xxx。
因为 fastq 文件通常是这种形状:
@read_id_usually_short
CTATACCACCAAGGCTGGAAATTGTAAAACACACCGCCTGACATATCAATAAGGTGTCAAATTCCCTTTTCTCTAGCTTTCGTACT_very_long
+
-///.)/.-/)//-//..-*...-.&%&.--%#(++*/.//////,/*//+(.///..,%&-#&)..,)/.,.._same_length_as_line_2
对于具有相同缓冲区长度的一两个 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,对 length_line = getline(&line_2, &seed, cfile)
的调用被要求存储一个长度为 2 的 char* ('+\n'),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)
感谢您指出我的错误。
【讨论】:
以上是关于可以在循环中多次使用 getline() 吗? - Cython,文件读取的主要内容,如果未能解决你的问题,请参考以下文章
在 C++ 中,当一个数组的元素在循环中多次使用时,将其分配给另一个元素会更好吗?