Question

我正在为练习编写汇编程序。汇编程序使用c库函数。我特别关注fgets（）函数。 fgets手册页说明：

fgets()  reads in at most one less than size characters from stream and
stores them into the buffer pointed to by s.  Reading  stops  after  an
EOF  or a newline.  If a newline is read, it is stored into the buffer.
A terminating null byte ('\0') is stored after the  last  character  in
the buffer.

我已经声明了一个1024字节的缓冲区，并在fgets功能中使用它来从文件中读取文本。但该程序返回1019个字符。它似乎总是返回5个字符，所以如果我使用1029的缓冲区，它确实会返回1024个字符。我想知道为什么fgets功能以这种方式工作还是我的代码？我的计划如下：

#include <stdio.h>

int main(){

  FILE *fopen(), *fp, *fp2;
  char buff[1024];

  fp = fopen("test.txt", "r");

  fgets(buff, 1024, (FILE*)fp);

  fp2 = fopen("outputtest.txt", "w");
  //fprintf(fp2, "This is testing for fprintf...\n");
  fputs(buff, fp2);

  fclose(fp);
  fclose(fp2);

}

输入在1020位置不包含任何空字节或换行符，因此最多应返回1023。以下是输入：

这是一个测试文件。 Linux的发展是其中之一自由和开源软件协作的突出例子。该底层源代码可以使用，修改和根据条款由任何人分发商业或非商业其各自的许可证，例如GNU通用公共许可证。通常，Linux以称为Linux发行版的形式打包，用于桌面和服务器。一些流行的主流Linux 发行版是Debian，Ubuntu，Linux Mint，Fedora，openSUSE，Arch Linux和Gentoo，以及商业红帽企业Linux 和SUSE Linux Enterprise Server发行版。 Linux发行版包括Linux内核，支持实用程序和库，以及通常需要大量的应用软件来实现分发的预期用途。面向桌面使用的发行版通常包括X11，Wayland实现或Mir作为窗口系统，以及附带的桌面环境 GNOME或KDE软件编译;一些发行版也可能包括资源较少的桌面，如LXDE或Xfce。打算在服务器上运行的发行版可能会省略所有图形标准安装的环境，而不是包括其他环境用于设置和操作LAMP等解决方案堆栈的软件。因为 Linux可以自由再发行，任何人都可以为其创建发行版任何用途。

输出如下：

这是一个测试文件。 Linux的发展是其中之一自由和开源软件协作的突出例子。该底层源代码可以使用，修改和根据条款由任何人分发商业或非商业其各自的许可证，例如GNU通用公共许可证。通常，Linux以称为Linux发行版的形式打包，用于桌面和服务器。一些流行的主流Linux 发行版是Debian，Ubuntu，Linux Mint，Fedora，openSUSE，Arch Linux和Gentoo，以及商业红帽企业Linux 和SUSE Linux Enterprise Server发行版。 Linux发行版包括Linux内核，支持实用程序和库，以及通常需要大量的应用软件来实现分发的预期用途。面向桌面使用的发行版通常包括X11，Wayland实现或Mir作为窗口系统，以及附带的桌面环境 GNOME或KDE软件

以上以一个空格结束，组成完整的1019个字符返回。我想知道造成这种情况的原因。我的汇编程序有效但当然读取的字符数量不正确。有人可以向我解释为什么会这样吗？

提前致谢。

Answer 1

我相信其他评论者已经明白了。两个Unicode破折号各有1个字符，但有3个字节。这使你比字符多4个字节。我相信第5个丢失字节是为空终结符腾出空间的一个字符。

我之前的评论询问是否有隐藏的BOM（再见订单标记）已关闭。它似乎是可见的嵌入式Unicode短划线字符，而不是隐藏的嵌入式Unicode BOM。

Answer 2

^{将评论转移到答案中。}

在Mac OS X上运行，您的代码根据ls -l生成1023字节的输出文件。但是我的输出文件在'KDE软件'（带有空格）之后结束。你是如何在输出上建立文件大小的？你对自己的数量有多确定？问题是否出现在较短的缓冲区大小（比如说32个字节）中 - 也就是说，输出的输出是否比您想象的要短5个字节？

然后rici正确noted：

示例文本包含两个U + 2014 EM DASH（ - ）实例，其UTF-8编码为e2 80 94，这当然是相关的。

这很有可能 - 到了确定的程度。它解释了为什么vim在我使用1024|时似乎错误放置了光标 - 它计算字符而不是字节 - 这让我感到困惑。当我在Mac上运行：wc -m时，我得到1019个（多字节）字符，但仍然是1023个字节。

user1803784 observed：

我使用atom.io文本编辑器来获取计数，错误开始发生在256字节。我尝试了128个字节，64个字节，32个字节，并且没有发生错误，它分别返回127个字节，63个字节，31个字节（如手册页所述“最多只有一个小于字符串的大小字符”）。

由于第一个' - 'em-dash出现在偏移量194处，看起来您的问题与“字节与字符”完全相关，而且您使用的是UTF-8编码数据。作为非零（NUL）字节的纯流处理，您可以将最多1023个字节读入buff，这就是您的代码正在执行的操作。但是，如果计算字符而不是字节，则有两个3字节字符（两个em-dash字符），这意味着字符数比字节数少4。你刚刚知道你的编辑会计算角色;诸如ls之类的程序报告字节。这两个数字通常是不同的。

我们还可以观察到引用的手册页引用的'字符'是char - 类型字符，又称'字节'（在大多数系统上 - 有char不是8的机器位字节）。这种混淆部分源于C标准。

ISO / IEC 9899：2011§7.21.7.2 fgets函数说：

fgets函数最多读取的数字少于n指定的字符数 从stream指向的流进入s指向的数组。没有额外的在换行符（保留）或文件结束后读取字符。一个在读入数组的最后一个字符后立即写入空字符。

^{斜体强调添加}

相比之下，fgets()的POSIX规范表明fgets()是根据 bytes 指定的：

fgets()函数应将 bytes 从stream读入s指向的数组，直到读取n-1个字节，或者读取<newline>并将其传输到s，否则会遇到文件结束条件。然后该字符串以空字节终止。

^{斜体强调添加}

该页面注释为：

此参考页面上描述的功能与ISO C标准一致。此处描述的要求与ISO C标准之间的任何冲突都是无意的。本卷POSIX.1-2008符合ISO C标准。

这是引用ISO / IEC 9899：1999，因为POSIX.1-2008是在C11之前发布的，但C99§7.19.7.2中的措辞与C11中的相同。可以说，POSIX措辞比C标准措辞更容易理解。但是，标准的定义部分说：

3.7
  1 字符
  用于组织，控制或的一组元素的成员   数据表示

3.7.1   1 字符   单字节字符
  适合字节的位表示

3.7.2
  1 多字节字符   表示扩展字符集成员的一个或多个字节的序列   源或执行环境
  2注意扩展字符集是基本字符集的超集。

3.7.3
  1 宽字符   值可由wchar_t类型的对象表示，能够表示任何字符   在当前的区域设置

因此，在上下文中，“字符”表示大多数人认为的“字节”（有警告 - 并非所有机器都有CHAR_BIT == 8）。

fgets返回较少的字符

2 个答案: