Java：从带有缓冲输入的随机访问文件中读取字符串

Question

我以前从未接触过 Java IO API，现在我真的很沮丧。我很难相信它是多么的奇怪和复杂，完成一项简单的任务是多么困难。

我的任务：我有 2 个位置（起始字节，结束字节），pos1 和 pos2。我需要读取这两个字节之间的行（包括开始一个，不包括结束一个）并将它们用作 UTF8 String 对象。

例如，在大多数脚本语言中，它会是一个非常简单的 1-2-3-liner（在 Ruby 中，但在 Python、Perl 等中基本相同）：

f = File.open("file.txt").seek(pos1)
while f.pos < pos2 {
  s = f.readline
  # do something with "s" here
}

Java IO API 很快就搞砸了；）事实上，我看到了两种从常规本地文件中读取行（以 \n 结尾）的方法：

• RandomAccessFile 有 getFilePointer() 和 seek(long pos)，但它的 readLine() 读取非 UTF8 字符串（甚至不是字节数组），但非常奇怪的字符串编码损坏，并且它没有缓冲（这可能意味着每个 @ 987654330@ 调用将被转换为单个操作系统 read() => 相当慢）。
• BufferedReader 有很好的readLine() 方法，甚至可以用skip(long n) 做一些查找，但是它无法确定已经读取的偶数字节，更不用说文件中的当前位置了。李>

我尝试过使用类似的东西：

    FileInputStream fis = new FileInputStream(fileName);
    FileChannel fc = fis.getChannel();
    BufferedReader br = new BufferedReader(
            new InputStreamReader(
                    fis,
                    CHARSET_UTF8
            )
    );

... 然后使用fc.position() 获取当前文件读取位置并使用fc.position(newPosition) 设置一个，但在我的情况下似乎不起作用：看起来它返回缓冲区预填充完成的位置由 BufferedReader 或类似的东西 - 这些计数器似乎以 16K 为增量四舍五入。

我真的必须自己实现这一切吗，即一个文件阅读界面，它将：

• 允许我获取/设置文件中的位置
• 缓冲文件读取操作
• 允许读取 UTF8 字符串（或至少允许诸如“读取所有内容直到下一个 \n”之类的操作）

有没有比自己实现更快的方法？我在监督什么吗？

Answer 1

import org.apache.commons.io.input.BoundedInputStream

FileInputStream file = new FileInputStream(filename);
file.skip(pos1);
BufferedReader br = new BufferedReader(
   new InputStreamReader(new BoundedInputStream(file,pos2-pos1))
);

如果您不关心 pos2，那么您就不需要 Apache Commons IO。

Answer 2

我编写这段代码是为了使用 randomaccessfiles 读取 utf-8

//File: CyclicBuffer.java
public class CyclicBuffer {
private static final int size = 3;
private FileChannel channel;
private ByteBuffer buffer = ByteBuffer.allocate(size);

public CyclicBuffer(FileChannel channel) {
    this.channel = channel;
}

private int read() throws IOException {
    return channel.read(buffer);
}

/**
 * Returns the byte read
 *
 * @return byte read -1 - end of file reached
 * @throws IOException
 */
public byte get() throws IOException {
    if (buffer.hasRemaining()) {
        return buffer.get();
    } else {
        buffer.clear();
        int eof = read();
        if (eof == -1) {
            return (byte) eof;
        }
        buffer.flip();
        return buffer.get();
    }
}
}
//File: UTFRandomFileLineReader.java


public class UTFRandomFileLineReader {
private final Charset charset = Charset.forName("utf-8");
private CyclicBuffer buffer;
private ByteBuffer temp = ByteBuffer.allocate(4096);
private boolean eof = false;

public UTFRandomFileLineReader(FileChannel channel) {
    this.buffer = new CyclicBuffer(channel);
}

public String readLine() throws IOException {
    if (eof) {
        return null;
    }
    byte x = 0;
    temp.clear();

    while ((byte) -1 != (x = (buffer.get())) && x != '\n') {
        if (temp.position() == temp.capacity()) {
            temp = addCapacity(temp);
        }
        temp.put(x);
    }
    if (x == -1) {
        eof = true;
    }
    temp.flip();
    if (temp.hasRemaining()) {
        return charset.decode(temp).toString();
    } else {
        return null;
    }
}

private ByteBuffer addCapacity(ByteBuffer temp) {
    ByteBuffer t = ByteBuffer.allocate(temp.capacity() + 1024);
    temp.flip();
    t.put(temp);
    return t;
}

public static void main(String[] args) throws IOException {
    RandomAccessFile file = new RandomAccessFile("/Users/sachins/utf8.txt",
            "r");
    UTFRandomFileLineReader reader = new UTFRandomFileLineReader(file
            .getChannel());
    int i = 1;
    while (true) {
        String s = reader.readLine();
        if (s == null)
            break;
        System.out.println("\n line  " + i++);
        s = s + "\n";
        for (byte b : s.getBytes(Charset.forName("utf-8"))) {
            System.out.printf("%x", b);
        }
        System.out.printf("\n");

    }
}
}

Answer 3

对于@Ken Bloom 快速了解 Java 7 版本。注意：我认为这不是最有效的方法，我还在研究 NIO.2，Oracle 已经开始了他们的教程here

另外请注意，这没有使用 Java 7 的新 ARM 语法（它负责处理基于文件的资源的异常处理），它在我拥有的最新 openJDK 版本中不起作用。但如果人们想看语法，请告诉我。

/* 
 * Paths uses the default file system, note no exception thrown at this stage if 
 * file is missing
 */
Path file = Paths.get("C:/Projects/timesheet.txt");
ByteBuffer readBuffer = ByteBuffer.allocate(readBufferSize);
FileChannel fc = null;
try
{
    /*
     * newByteChannel is a SeekableByteChannel - this is the fun new construct that 
     * supports asynch file based I/O, e.g. If you declared an AsynchronousFileChannel 
     * you could read and write to that channel simultaneously with multiple threads.
     */
    fc = (FileChannel)file.newByteChannel(StandardOpenOption.READ);
    fc.position(startPosition);
    while (fc.read(readBuffer) != -1)
    {
        readBuffer.rewind();
        System.out.println(Charset.forName(encoding).decode(readBuffer));
        readBuffer.flip();
    }
}

Answer 4

以RandomAccessFile 开头并使用read 或readFully 获取pos1 和pos2 之间的字节数组。假设我们已将读取的数据存储在名为 rawBytes 的变量中。

然后使用

创建您的BufferedReader

new BufferedReader(new InputStreamReader(new ByteArrayInputStream(rawBytes)))

然后您可以在BufferedReader 上拨打readLine。

警告：这可能会比您让BufferedReader 自行寻找正确的位置使用更多的内存，因为它会将所有内容预加载到内存中。

Answer 5

我认为混淆是由 UTF-8 编码和双字节字符的可能性引起的。

UTF8 没有指定单个字符中有多少字节。我从您的帖子中假设您使用的是单字节字符。例如，412 个字节意味着 411 个字符。但如果字符串使用双字节字符，您将得到 206 字符。

最初的 java.io 包没有很好地处理这种多字节混淆。因此，他们添加了更多类来专门处理字符串。该软件包混合了两种不同类型的文件处理程序（在整理命名法之前，它们可能会令人困惑）。 stream 类提供直接数据 I/O，无需任何转换。 reader 类将文件转换为完全支持多字节字符的字符串。这可能有助于澄清部分问题。

由于您声明您使用的是 UTF-8 字符，因此您需要阅读器类。在这种情况下，我建议使用 FileReader。 FileReader 中的 skip() 方法允许您传递 X 个字符，然后开始阅读文本。或者，我更喜欢重载的 read() 方法，因为它允许您一次获取所有文本。

如果您假设您的“字节”是单个字符，请尝试以下操作：

FileReader fr = new FileReader( new File("x.txt") );
char[] buffer = new char[ pos2 - pos ];
fr.read( buffer, pos, buffer.length );
...

Answer 6

我在这里聚会迟到了，但我在自己的项目中遇到了这个问题。

在对Javadocs和Stack Overflow进行了多次遍历之后，我想我找到了一个简单的解决方案。

在您的 RandomAccessFile 中找到合适的位置后，我在这里调用 raFile，执行以下操作：

FileDescriptor fd = raFile.getFD();
FileReader     fr = new FileReader(fd);
BufferedReader br = new BufferedReader(fr);

那么你应该可以随心所欲地拨打br.readLine()，这将比拨打raFile.readLine()快得多。

我不确定的一件事是 UTF8 字符串是否被正确处理。

Answer 7

java IO API 非常灵活。不幸的是，有时灵活性使它变得冗长。这里的主要思想是有许多实现包装模式的流、编写器和读取器。例如 BufferedInputStream 包装任何其他 InputStream。关于输出流也是如此。

流和读取器/写入器之间的区别在于，流使用字节，而读取器/写入器使用字符。

幸运的是，一些流、写入器和读取器具有方便的构造函数，可以简化编码。如果你想读取文件，你只需要说

    InputStream in = new FileInputStream("/usr/home/me/myfile.txt");
    if (in.markSupported()) {
        in.skip(1024);
        in.read();
    }

它没有你担心的那么复杂。

频道是不同的。它是所谓的“新 IO”或 nio 的一部分。新 IO 不会被阻塞 - 这是它的主要优势。您可以在互联网上搜索任何“nio java 教程”并阅读相关内容。但它比常规 IO 更复杂，大多数应用程序不需要它。