在 C 中使用 mmap 多线程读取文件

Question

我正在尝试用 C 读取一个大的 .txt 文件。我已经用 fgets() 完成了一个版本，但性能受到 I/O 的限制。 所以我需要一些比 fgets() 性能更好的东西，而且我发现 mmap() 不会受到 I/O 的限制。 所以我的问题是，是否可以使用 mmap() 和多线程（POSIX 线程）来做到这一点？ 这是我需要的：

Different threads to read(mmap() or something else) different parts of the file simultaneously

我在网上找不到关于多线程 mmap() 的任何资源，有人可以帮我提供一些示例代码并解释一下吗？ 我将非常感谢您的帮助，谢谢

Answer 1

你的想法本身并不坏。 如果我们假设一个换行符分隔的文件（即：您可以在没有问题的情况下在行之间进行剪切），您可以找到类似这样的块的 limtis（从我的另一个程序中删除，所以请先检查）

// just in case
#define _LARGEFILE_SOURCE
#define _BSD_SOURCE
#define _POSIX_C_SOURCE 200112L

#include <stdio.h>
#include <stdlib.h>
#include <sys/types.h>
#include <sys/stat.h>
#include <unistd.h>
#include <errno.h>
#include <string.h>

// TODO: should be calculated
#define FILE_PARTS 100   
// TODO: should not be global
off_t positions[FILE_PARTS + 1];

int slice_file(FILE * fp)
{
  off_t curr_pos = 0;
  off_t filesize = 0;
  off_t chunk_size = 0;
  int fd;
  int i, res;
  char c;

  struct stat sb;

  // get size of file
  fd = fileno(fp);
  if (fd == -1) {
    fprintf(stderr, "EBADF in prepare_and_backup() for data-file pointer\n");
    return 0;
  }

  if (fstat(fd, &sb) == -1) {
    fprintf(stderr, "fstat() failed\n");
    return 0;
  }
  // check if it is a regular file
  if ((sb.st_mode & S_IFMT) != S_IFREG) {
    fprintf(stderr, "Not a regular file\n");
    return 0;
  }
  // TODO: check if filesize and chunksize >> 1
  filesize = sb.st_size;
  chunk_size = filesize / ((off_t) FILE_PARTS);

  positions[0] = 0;
  curr_pos = 0;

  for (i = 1; i < FILE_PARTS; i++) {
    res = fseeko(fp, curr_pos, SEEK_SET);
    if (res == -1) {
      fprintf(stderr, "Error in fseeko(): %s\n",
              strerror(errno));
      return 0;
    }
    curr_pos += chunk_size;
    // look for the end of the line to cut at useful places
    while ((c = fgetc(fp)) != EOF) {
      curr_pos++;
      // TODO: add code to honor Apple's special needs
      if (c == '\n') {
        c = fgetc(fp);
        if (c == EOF) {
          break;
        }
        curr_pos++;
        break;
      }
    }
    positions[i] = curr_pos - 1;
  }
  // Position of the end of the file
  positions[i] = filesize;
  // Is that even needed?
  rewind(fp);
  return 1;
}

现在你可以启动一个线程，给它开始和结束它应该工作的块（你可能已经或可能没有用上面的函数计算过）并且不用担心在各个线程内进行（m）映射。 如果输出与块大小相同，您甚至可以就地工作。

编辑

mmap的声明是

void *mmap(void *addr, size_t length, int prot, int flags, int fd, off_t offset);

如果您不关心特定地址，请将其设置为NULL 。
length是您希望映射初始化的字节数，在这种情况下：填充来自文件描述符fd 。
该填充的开始由offset设置，并带有一个不舒服的警告：它需要是页面大小的倍数（询问sysconf(_SC_PAGE_SIZE)以获得确切的数字）。 没什么大问题，只需将其设置为启动前的页面并在实际启动时开始工作，所有必要的信息都存在。 您可以（并且必须！）忽略该页面的其余部分。

或者你获取整个文件并映射它并像使用驱动器上的文件一样使用它：给每个线程一个该映射的块（ positions必要信息）并从那里开始工作。

第一个的优点：您有多个内存块，操作系统可以更轻松地将它们推到周围，并且您可能会或可能不会减少多个 CPU 的缓存未命中。 如果您运行一个集群或任何其他架构，其中每个 CPU/CPU 组都有自己的 RAM 或至少一个非常大的缓存，那么它甚至是必须的。

后者的优点：实现更简单，但你有一大块地图。 这可能会也可能不会影响运行时间。

提示：我对现代、快速 SSD 的体验：如今读取速度如此之高，您可以轻松地从直接文件访问而不是映射开始。 即使使用相当慢的“正常”硬盘，您也可以获得合理的速度。 我从中翻录上述片段的程序必须搜索超过 120 GB 的大型 CSV 文件，没有足够的 RAM 来完全加载它，驱动器上甚至没有足够的空间将其加载到某个数据库中（是的，那是几个几年前）。 这是一个键->“很多、不同、不同的值”文件，幸运的是已经排序。 所以我用上面的方法（KEY->position）为它制作了一个小的（尽可能大的）索引文件，尽管比我的例子中的 100 块多得多。 索引文件中的键也已排序，因此如果您要搜索的键比索引条目大（数据按升序排序），则您找到了正确的块，这意味着该键位于之前的块中位置（如果存在）。 这些块足够小，可以将它们中的一些保留在 RAM 中以用作缓存，但这并没有增加多少，传入的请求非常一致地随机。

一个穷人的数据库可以这么说，而且速度足够快，可以在没有用户抱怨的情况下完成工作。

一个有趣的旁注：键是字母数字，排序算法将它们排序为“aAbBcC...”，这意味着您不能直接使用strcmp 。 让我挠了一阵子，但解决方案相当简单：比较忽略大小写（例如： strcasecmp如果可用），如果不相等，则返回该结果，否则返回与正常strncmp结果相反的结果（例如，只return -strcmp(a,b); )。

您对需要处理的数据类型保持沉默，因此您可能对上述内容没有丝毫兴趣。

Answer 2

mmap的 linux 手册页指出：

mmap - 将文件或设备映射到内存中

#include <sys/mman.h>
void *mmap(void *addr, size_t len, int prot, int flags, int fildes, off_t off);

mmap的描述说：

mmap() 在调用进程的虚拟地址空间中创建一个新映射。 新映射的起始地址在 addr 中指定。 length 参数指定映射的长度。

这是手册页中的代码示例。

#include <sys/mman.h>
#include <sys/stat.h>
#include <fcntl.h>
#include <stdio.h>
#include <stdlib.h>
#include <unistd.h>
#define handle_error(msg) do { perror(msg); exit(EXIT_FAILURE); } while (0)
int main(int argc, char *argv[])
{
    char *addr;
    int fd;
    struct stat sb;
    off_t offset, pa_offset;
    size_t length;
    ssize_t s;
    if (argc < 3 || argc > 4) {
        fprintf(stderr, "%s file offset [length]\n", argv[0]);
        exit(EXIT_FAILURE);
    }
    fd = open(argv[1], O_RDONLY);
    if (fd == -1)
        handle_error("open");
    if (fstat(fd, &sb) == -1)           /* To obtain file size */
        handle_error("fstat");
    offset = atoi(argv[2]);
    pa_offset = offset & ~(sysconf(_SC_PAGE_SIZE) - 1);
        /* offset for mmap() must be page aligned */
    if (offset >= sb.st_size) {
        fprintf(stderr, "offset is past end of file\n");
        exit(EXIT_FAILURE);
    }
    if (argc == 4) {
        length = atoi(argv[3]);
        if (offset + length > sb.st_size)
            length = sb.st_size - offset;
    } else {    /* No length arg ==> display to end of file */
        length = sb.st_size - offset;
    }
    addr = mmap(NULL, length + offset - pa_offset, PROT_READ,
                MAP_PRIVATE, fd, pa_offset);
    if (addr == MAP_FAILED)
        handle_error("mmap");
    s = write(STDOUT_FILENO, addr + offset - pa_offset, length);
    if (s != length) {
        if (s == -1)
            handle_error("write");
        fprintf(stderr, "partial write");
        exit(EXIT_FAILURE);
    }
    exit(EXIT_SUCCESS);
}

这些都不是我的工作，全部来自 Linux 手册页。