可以在循环内多次使用 getline() 吗？ - Cython，文件读取

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

我想读取一个 4 行 4 行的文件（这是一个带有 DNA 序列的 fastq 文件）。
当我一行一行或两行读取文件时，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，但遇到了同样的问题。

知道可能是什么原因吗？

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,cfile)
        if length_line < 0: break
        
#         length_line = getline(&line_2,cfile)
#         if length_line < 0: break
        
#         length_line = getline(&line_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)

解决方法

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，每个行指针 n 需要关联的 *lineptr。

如果在调用前 *lineptr 设置为 NULL 并且 *n 设置为 0，则 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。如果缓冲区不足以容纳该行，getline() 调整它的大小使用 realloc(3)，根据需要更新 *lineptr 和 *n。

n（或我代码中的 seed）将保存为指针分配的缓冲区大小，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 得到了错误的字符大小信息* line_xxx。

因为 fastq 文件通常是这样的：

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

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，调用 length_line = getline(&line_2,&seed,cfile) 被要求存储长度为 2 ('+\n') 的 char*，同时获取（错误信息）指针 line_2 已经足够大（line_1 的大小）。

所以（简单）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。