c++ - ejemplos - empaquetar archivos linux

¿Cómo leer un archivo.gz línea por línea en C++?

Question

Tengo un archivo .gz de 3 terabytes y quiero leer su contenido sin comprimir línea por línea en un programa C ++. Como el archivo es bastante grande, quiero evitar cargarlo completamente en la memoria.

¿Alguien puede publicar un ejemplo simple de hacerlo?

Answer 1

Aquí hay un código con el que puede leer archivos normales y comprimidos línea por línea:

char line[0x10000];
FILE *infile=open_file(file);
bool gzipped=endsWith(file, ".gz");
if(gzipped)
init_gzip_stream(infile,&line[0]);
while (readLine(infile,line,gzipped)) {
if(line[0]==0)continue;// skip gzip new_block
printf(line);
}
#include <zlib.h>
#define CHUNK 0x100
#define OUT_CHUNK CHUNK*100
unsigned char gzip_in[CHUNK];
unsigned char gzip_out[OUT_CHUNK];
///* These are parameters to inflateInit2. See http://zlib.net/manual.html for the exact meanings. */
#define windowBits 15
#define ENABLE_ZLIB_GZIP 32
z_stream strm = {0};
z_stream init_gzip_stream(FILE* file,char* out){// unsigned
strm.zalloc = Z_NULL;
strm.zfree = Z_NULL;
strm.opaque = Z_NULL;
strm.next_in = gzip_in;
strm.avail_in = 0;
strm.next_out = gzip_out;
inflateInit2 (& strm, windowBits | ENABLE_ZLIB_GZIP);
return strm;
}
bool inflate_gzip(FILE* file, z_stream strm,size_t bytes_read){
strm.avail_in = (int)bytes_read;
do {
strm.avail_out = OUT_CHUNK;
inflate (& strm, Z_NO_FLUSH);
// printf ("%s",gzip_out);
}while (strm.avail_out == 0);
if (feof (file)) {
inflateEnd (& strm);
return false;
}
return true;// all OK
}
char* first_line=(char*)&gzip_out[0];
char* current_line=first_line;
char* next_line=first_line;
char hangover[1000];
bool readLine(FILE* infile,char* line,bool gzipped){
if(!gzipped)
return fgets(line, sizeof(line), infile) != NULL;
else{
bool ok=true;
current_line=next_line;
if(!current_line || strlen(current_line)==0 || next_line-current_line>OUT_CHUNK){
current_line=first_line;
size_t bytes_read = fread (gzip_in, sizeof (char), CHUNK, infile);
ok=inflate_gzip(infile,strm,bytes_read);
strcpy(line,hangover);
}
if(ok){
next_line=strstr(current_line,"/n");
if(next_line){
next_line[0]=0;
next_line++;
strcpy(line+strlen(hangover),current_line);
hangover[0]=0;
}else{
strcpy(hangover,current_line);
line[0]=0;// skip that one!!
}
}
return ok;
}
}

Answer 2

Chilkat ( http://www.chilkatsoft.com/ ) tiene bibliotecas para leer archivos comprimidos desde una aplicación C ++, .Net, VB, ...

Answer 3

La biblioteca zlib admite archivos de descompresión en memoria en bloques, por lo que no tiene que descomprimir todo el archivo para procesarlo.

Answer 4

Lo más probable es que tenga que usar el desinflado de ZLib, el ejemplo está disponible en su site

Alternativamente, puede echar un vistazo a la envoltura BOOST C ++

El ejemplo de la página BOOST (descomprime los datos de un archivo y los escribe en la salida estándar)

#include <fstream>
#include <iostream>
#include <boost/iostreams/filtering_streambuf.hpp>
#include <boost/iostreams/copy.hpp>
#include <boost/iostreams/filter/zlib.hpp>
int main()
{
using namespace std;
ifstream file("hello.z", ios_base::in | ios_base::binary);
filtering_streambuf<input> in;
in.push(zlib_decompressor());
in.push(file);
boost::iostreams::copy(in, cout);
}

Answer 5

No puedes hacer eso, porque * .gz no tiene "líneas".

Si los datos comprimidos tienen nuevas líneas, tendrás que descomprimirlos. No tienes que descomprimir todos los datos a la vez, ya sabes, puedes hacerlo en trozos y enviar cadenas al programa principal cuando encuentres caracteres de nueva línea. * .gz se puede descomprimir usando zlib .

Answer 6

Para algo que se va a utilizar con regularidad, es probable que desee utilizar una de las sugerencias anteriores. Alternativamente, puedes hacer

gzcat file.gz | yourprogram

y yourprogram que yourprogram lea desde cin. Esto descomprimirá partes del archivo en la memoria cuando sea necesario, y enviará la salida sin comprimir a su yourprogram .

Answer 7

Usando zlib , estoy haciendo algo en este sentido:

// return a line in a std::vector< char >
std::vector< char > readline( gzFile f ) {
std::vector< char > v( 256 );
unsigned pos = 0;
for ( ;; ) {
if ( gzgets( f, &v[ pos ], v.size() - pos ) == 0 ) {
// end-of-file or error
int err;
const char *msg = gzerror( f, &err );
if ( err != Z_OK ) {
// handle error
}
break;
}
unsigned read = strlen( &v[ pos ] );
if ( v[ pos + read - 1 ] == ''/n'' ) {
if ( pos + read >= 2 && v[ pos + read - 2 ] == ''/r'' ) {
pos = pos + read - 2;
} else {
pos = pos + read - 1;
}
break;
}
if ( read == 0 || pos + read < v.size() - 1 ) {
pos = read + pos;
break;
}
pos = v.size() - 1;
v.resize( v.size() * 2 );
}
v.resize( pos );
return v;
}

EDITAR: Se eliminaron dos copias mal * en el ejemplo anterior. EDITAR: Corregido fuera de límites leído en v [pos + read - 2]