为避免复制大量数据,需要mmap
二进制文件并直接处理原始数据。这种方法有几个优点,包括将分页降级到操作系统。不幸的是,我的理解是明显的实现会导致未定义的行为(UB)。
我的用例如下:创建一个二进制文件,其中包含一些标识格式和提供元数据的标题(在本例中只是double
值的数量)。该文件的其余部分包含我希望处理的原始二进制值,而不必先将文件复制到本地缓冲区(这就是我首先对文件进行内存映射的原因)。下面的程序是一个完整的(如果简单的)示例(我相信所有标记为UB[X]
的地方都会导致UB):
// C++ Standard Library
#include <algorithm>
#include <cstddef>
#include <cstdint>
#include <fstream>
#include <iostream>
#include <numeric>
// POSIX Library (for mmap)
#include <fcntl.h>
#include <sys/mman.h>
#include <sys/stat.h>
#include <unistd.h>
constexpr char MAGIC[8] = {"1234567"};
struct Header {
char magic[sizeof(MAGIC)] = {'\0'};
std::uint64_t size = {0};
};
static_assert(sizeof(Header) == 16, "Header size should be 16 bytes");
static_assert(alignof(Header) == 8, "Header alignment should be 8 bytes");
void write_binary_data(const char* filename) {
Header header;
std::copy_n(MAGIC, sizeof(MAGIC), header.magic);
header.size = 100u;
std::ofstream fp(filename, std::ios::out | std::ios::binary);
fp.write(reinterpret_cast<const char*>(&header), sizeof(Header));
for (auto k = 0u; k < header.size; ++k) {
double value = static_cast<double>(k);
fp.write(reinterpret_cast<const char*>(&value), sizeof(double));
}
}
double read_binary_data(const char* filename) {
// POSIX mmap API
auto fp = ::open(filename, O_RDONLY);
struct stat sb;
::fstat(fp, &sb);
auto data = static_cast<char*>(
::mmap(nullptr, sb.st_size, PROT_READ, MAP_PRIVATE, fp, 0));
::close(fp);
// end of POSIX mmap API (all error handling ommitted)
// UB1
const auto header = reinterpret_cast<const Header*>(data);
// UB2
if (!std::equal(MAGIC, MAGIC + sizeof(MAGIC), header->magic)) {
throw std::runtime_error("Magic word mismatch");
}
// UB3
auto beg = reinterpret_cast<const double*>(data + sizeof(Header));
// UB4
auto end = std::next(beg, header->size);
// UB5
auto sum = std::accumulate(beg, end, double{0});
::munmap(data, sb.st_size);
return sum;
}
int main() {
const double expected = 4950.0;
write_binary_data("test-data.bin");
if (auto sum = read_binary_data("test-data.bin"); sum == expected) {
std::cout << "as expected, sum is: " << sum << "\n";
} else {
std::cout << "error\n";
}
}
编译并运行为:
$ clang++ example.cpp -std=c++17 -Wall -Wextra -O3 -march=native
$ ./a.out
$ as expected, sum is: 4950
在现实生活中,实际的二进制格式要复杂得多,但保留了相同的属性:基本类型存储在具有正确对齐的二进制文件中。
我的问题是:你如何处理这个用例?
我发现许多答案我认为是相互矛盾的。
一些answers毫不含糊地指出,人们应该在本地建造物体。这很可能是这种情况,但严重地使任何面向阵列的操作复杂化。
评论elsewhere似乎同意这种结构的UB性质,但存在一些分歧。
cppreference的措辞至少对我来说是令人困惑的。我会把它解释为“我正在做的事情是完全合法的”。特别是这一段:
每当尝试通过类型为AliasedType的glvalue读取或修改DynamicType类型的对象的存储值时,除非满足下列条件之一,否则行为是未定义的:
- 别名类型和动态类型相似。
- AliasedType是DynamicType的(可能是cv限定的)有符号或无符号变体。
- AliasedType是std :: byte,(自C ++ 17开始)char或unsigned char:这允许将任何对象的对象表示检查为字节数组。
可能是C ++ 17为std::launder
提供了一些希望,或者我必须等到C ++ 20才能获得std::bit_cast
的内容。
与此同时,您如何处理这个问题?
链接到在线演示:https://onlinegdb.com/rk_xnlRUV
我的理解是正确的,以下C程序没有表现出未定义的行为?我理解通过char
缓冲区转换的指针不参与严格的别名规则。
#include <stdint.h>
#include <stdio.h>
struct Header {
char magic[8];
uint64_t size;
};
static void process(const char* buffer) {
const struct Header* h = (const struct Header*)(buffer);
printf("reading %llu values from buffer\n", h->size);
}
int main(int argc, char* argv[]) {
if (argc != 2) {
return 1;
}
// In practice, I'd pass the buffer through mmap
FILE* fp = fopen(argv[1], "rb");
char buffer[sizeof(struct Header)];
fread(buffer, sizeof(struct Header), 1, fp);
fclose(fp);
process(buffer);
}
我可以通过传递原始C ++程序创建的文件来编译和运行此C代码,并按预期工作:
$ clang struct.c -std=c11 -Wall -Wextra -O3 -march=native
$ ./a.out test-data.bin
reading 100 values from buffer
std::launder
通过严格的别名来解决问题,但没有使用对象生存期。
std::bit_cast
制作副本(它基本上是std::memcpy
的包装器),并且不能从一系列字节复制。
标准C ++中没有工具可以在不复制的情况下重新解释映射内存。这样的工具已被提出:std::bless。除非这些更改被采用到标准中,否则你必须要么希望UB不会破坏任何内容†,将潜在的††性能命中并复制,或者用C编写程序。
†虽然不理想,但这并不像听起来那么糟糕。您已经通过使用mmap
来限制可移植性,并且如果您的目标系统/编译器承诺可以重新解释mmap
ped内存(可能使用洗涤),那么应该没有问题。也就是说,我不知道是不是说,Linux上的GCC给出了这样的保证。
††编译器可能会优化std::memcpy
。可能没有任何性能损失。这个SO answer有一个方便的功能,被观察到被优化了,但确实按照语言规则启动了对象的生命周期。它确实有一个限制,映射的内存必须是可写的(因为它在内存中创建对象,而在非优化的构建中它可能会进行实际的复制)。