小小换行符乱谈(文本文件vs二进制文件)

• 使用 C 语言的 fopen 打开文件时，可以指定的 mode 有 12 个，其中 6 个包含  "b"

• 使用 C++ 的 fstream 打开文件时，可用的模式组合有 24 个(?)，其中 12 个包含  "binary"

• 使用 python 的 open 打开文件，除了可以使用 C 中的 12 个模式外，还可以使用  "U" 或 "rU"

• 使用 Qt 库的 QFile 打开文件时，可以指定  QIODevice::Text   或不指定

• ...

如此种种，看起来是如此的复杂，难怪很多刚接触编程的网友都不相信(或者不想相信)：

• 这一切仅仅是为了一个小小的换行符！

是啊，一个小小的换行符值得如此大动干戈么？

• 当使用 windows 下弱智的记事本时，会不会遇到：本该换行的地方，它显示一个黑色方块？
• 当使用高级点的编辑器时，是不是都提供设置换行符的功能？
• 当使用跨平台的工具 (比如windows下git) ，是不是需要特别注意换行符设置？
• ...

文本 vs 二进制

哎，等等...

你前面提的C中的"b"，C++中的"fstream::binary"，Qt的"QFile::Text"，我都知道啊：不是区分文本和二进制操作的么？和换行符有什么关系？！

那么我们有必须要看看：

什么是文本文件(Text File)？

• 所有的文件都是二进制文件(Binary File)

• 如果一个二进制文件的内容全是可打印的字符和空白字符(空格、Tab、回车、换行等)组成，可称其为文本文件。

换句话说：本来就不存在 文本文件 这个独立类别，文本文件属于二进制文件。

如果这样，为何C、C++等等打开文件是都提供文本和二进制两种模式么？(暂不解释^_^)

考虑一个例子：打开文件(不管后缀名等等)，分别写入：

"/x10/x11/x12/x13/x14"	不可见字符
"/x30/x31/x32/x33/x34"	"01234"

而后者由于全部是可打印字符，你可能就会称其为文本文件。

文件 vs 模式

注意区分两个概念：当我们提C、C++打开文件的方式时，我们一直在说 文本模式 和二进制模式，而不是说打开 文件文件 和二进制文件。这中间有很微妙的区别。

任何一个文件，你都可以用文本或二进制模式打开。但是对于 *.png 等这些东西，你用文本模式打开读进来的往往不是你期望的结果。

考虑这样一个文件 hello.txt，其内容：

line1/r/nline2/r/n

如果在windows下：你用文本模式打开，读进来多少个字符？用二进制模式打开，又是多少个字符？为何同一个文件，读进来的不一样？

换个角度考虑考虑

我们前面提到(C、C++、Python、还有不该和语言并列Qt)的文件操作，都是需要通过系统调用对文件进行操作的。具体一点：

• 在Windows下，不管通过哪种方式，最终都需要使用

HANDLE WINAPI CreateFile(
  __in      LPCTSTR lpFileName,
  __in      DWORD dwDesiredAccess,
  __in      DWORD dwShareMode,
  __in_opt  LPSECURITY_ATTRIBUTES lpSecurityAttributes,
  __in      DWORD dwCreationDisposition,
  __in      DWORD dwFlagsAndAttributes,
  __in_opt  HANDLE hTemplateFile
);

参数很多，每一个参数又有很多标记位组成(具体看MSDN)。但是你可以发现：对它来说，不存在文本文件和二进制文件的区别，你也无法设置text或binary等标记位！！

• 在posix 系统下，文件操作需要

int open(const char *pathname, int flags);
int open(const char *pathname, int flags, mode_t mode);
int creat(const char *pathname, mode_t mode);

同样，这儿可以设置flags和mode，可以设置的标记很多。但是就是没有提供text和binary相关的东西!!

是不是很有意思？

• 系统的文件操作接口压根就没有二进制和文本的区别!
• 使用这些接口的C、C++、Python 却提供了二进制和文本两种模式

换行符

是时候谈  换行符   了:

• newline
• line break
• EOL (end-of-line)

想象一下，一个文本编辑器打开一个"文本文件"，遇到哪个字符开始换行呢？

• 想想Windows下的记事本，遇到遇到"/r/n"它处理成换行，遇到'/n'它就只会显示黑方框。

应用程序和操作系统通常用1到2个字符代表换行:

CR+LF	Windows、DOS、Symbian、Palm ...
LF	GNU/Linux、Mac OS X、FreeBSD ...
CR	Mac OS 9(之前)...
LF+CR	Acom BBC
RS	QNX 在posix之前
NEL	z/OS、i5/OS ...
...	...

这些之中，其实我们也只对 CR+LF 与 LF 这两种换行符感兴趣。

有什么问题么？

本来一切很正常的：

在Windows下：

• 调用 CreateFile 打开文件

  HANDLE hFile = CreateFile (TEXT("twoline.txt"), GENERIC_WRITE, 0, NULL, OPEN_ALWAYS, FILE_ATTRIBUTE_NORMAL,   NULL);

• 调用 WriteFile 写入两行

  DWORD dwBytesWritten;
  WriteFile (hFile, "line1/r/nline2/r/n", 14,
                   &dwBytesWritten, NULL);

• 调用CloseHandle关闭文件

  CloseHandle(hFile);

在Posix系统下

• 调用open打开文件

  int fd = open("twolines.txt", O_WRONLY|O_CREAT);

• 调用write写入两行

  write(fd, "line1/nline2/n", 12);

• 调用close关闭文件

  close(fd);

各个平台相安无事，windows下你想换行就用'/r/n',posix下想换行就用'/n'

如何就出问题了呢？

各个平台的换行符不一致，一旦涉及跨平台问题就出来了。

考虑一下，如果使用C语言的binary模式的话，我们想生成一个像前面一样包含两行代码的文件，该怎么办？

• 根据平台不同，用#if #else 进行预处理？

   #ifdef _WIN
   fwrite("line1/r/nline2/r/n");
   #else
   fwrite("line1/nline2/n");
   #endif

• 还是采用某种方式，同一行代码：在不同平台下生成不同的东西

    fwrite("line1/nline2/n");

应该就是为了这个吧，引入了一个"文本模式"

• 写入时，遇到'/n'就转换成平台相关的换行符(对与windows就是"/r/n");
• 读入时，遇到平台相关的换行符(比如windows下的"/r/n")，转换成'/n'
• 注意：对与posix系统，'/n'就是系统换行符，不存在转换
  • 所以我们经常听说：linux下文本文件和二进制文件没有区别。

正是为了这个换行符，所以C、C++、Python等语言提供的文件操作函数才都有了Text、Binary两种模式：

C、C++、Qt

C语言的文件操作

#include <stdio.h>
FILE *fopen(const char * restrict filename, const char * restrict mode);

除了文件名之外，还要传递一个 mode 的字符串作为标记。而这些标记分为带b和不带b两类：

文本	二进制
r	rb	只读或只写	文件必须存在
w	wb		文件存在则清空、不存在则创建
a	ab		追加;文件不存在则创建
r+	r+b 或  rb+	读写	同r和rb
w+	w+b或 wb+		同w和wb
a+	a+b或 ab+		同a和ab

C++的文件操作时

explicit fstream ( const char * filename,ios_base::openmode mode = ios_base::in | ios_base::out ); 

除了文件名之外，我们需要传递一个 mode：

app	(app end) 每次写操作前找到文件尾
ate	(at e nd) 打开文件后立即将文件定位到文件尾
binary	(binary ) 以二进制模式进行IO操作
in	(in put) 允许读操作
out	(out put) 允许写操作
trunc	(trunc ate) 打开文件时清空文件流

这样看似乎没神马意思哈？一般都是组合使用的:

• in、out、app、trunc的有效组合如下

out	只写	清空文件内容
out|app		追加
out|trunc		等同out
in	只读
in|out	读写
in|out|trunc		清空文件内容

• 6个标记这儿只提了4个，其他两个和这儿的可以随意组合，不受限制（我对此不太确定，dbzhang800 2011.5.18）

• 也就是:带binary和不带binary的组合数目一样多的

Qt的文件操作

bool QFile::open ( OpenMode mode ) 

这儿是mode又是什么东西？

QIODevice::NotOpen

QIODevice::ReadOnly

QIODevice::WriteOnly

QIODevice::ReadWrite

QIODevice::Append

QIODevice::Truncate

QIODevice::Text

QIODevice::Unbuffered

其他

现在国内用linux的似乎越来越多了，很多人有这个问题：

linux下创建了一个包含中文的文件，拷贝到windows下面。
 用记事本打开看 ==> 汉字正确，换行的地方出现了黑方块
 用写字板打开看 ==> 换行正确，汉字乱码

很有意思？可是如何解决？

• 找个支持utf8编码和'/n'换行的编辑器即可解决问题。
• 在linux采用"/r/n"换行和gb18030编码保存文件，也可以解决问题

如果就用windows系统自带的记事本 和写字板 怎么办？看好了：

• 先用写字板打开文件，不用管乱码问题，直接保存。
• 再用记事本打开。(恩，此时一切正常)

参考

• C99标准 (ISO/IEC 9899 7.19.5.3 The fopen function)
• C++ Primer (8.4.2 文件模式)

• http://www.cplusplus.com/reference/iostream/fstream/fstream/

• Python2.7 manual
• Qt4.7 manual
• Windows核心编程(10.1 打开和关闭设备)

• http://en.wikipedia.org/wiki/Newline