【不周山之读薄 CSAPP】陆 系统输入输出

Linux 系统中 IO 的概念是非常有趣的,结合『所有东西都是文件』这个抽象,无论是输入输出重定向,还是挂载不同的设备,甚至是网络编程,都可以由系统输入输出这个统一的模型来进行描述。这一讲我们就来了解一下以 stdin, stdout 等为代表的系统输入输出。


系列文章

读薄部分

读厚部分

学习目标

  1. 理解 Unix I/O 的设计与应用
  2. 了解不同的文件类型
  3. 理解文件描述符(file descriptor)及在读写中的应用
  4. 了解元数据的相关概念及访问方法
  5. 理解输入输出重定向的实现机制
  6. 简单了解 C 标准库中的标准 I/O 函数
  7. 知道如何根据不同场景选择对应的 I/O 方式

Unix I/O

在 Linux 中,文件实际上可以看做是字节的序列。更有意思的是,所有的 I/O 设备也是用文件来表示的,比如:

  • ./dev/sda2 (/usr 磁盘分区)
  • /dev/tty2 (终端)

甚至连内核也是用文件来表示的:

  • /boot/vmlinuz-3.13.0-55-generic (内核镜像)
  • /proc (内核数据结构)

因为 I/O 设备也是文件,所以内核可以利用称为 Unix I/O 的简单接口来处理输入输出,比如使用 open()close() 来打开和关闭文件,使用 read()write() 来读写文件,或者利用 lseek() 来设定读取的偏移量等等。

为了区别不同文件的类型,会有一个 type 来进行区别:

  • 普通文件:包含任意数据
  • 目录:相关一组文件的索引
  • 套接字 Socket:和另一台机器上的进程通信的类型

其实还有一些比较特别的类型,但是这里提一下,不深入了解:

  • Named pipes(FIFOs)
  • Symbolic links
  • Character and block devices

普通文件

普通的文件包含任意数据,应用一般来说需要区分出文本文件和二进制文件。文本文件只包含 ASCII 或 Unicode 字符。除此之外的都是二进制文件(对象文件, JPEG 图片, 等等)。对于内核来说其实并不能区分出个中的区别。

文本文件就是一系列的文本行,每行以 \n 结尾,新的一行是 0xa,和 ASCII 码中的 line feed 字符(LF) 一样。不同系统用用判断一行结束的符号不同(End of line, EOL),如:

  • Linux & Mac OS: \n(0xa)
    • line feed(LF)
  • Windows & 网络协议: \r\n (0xd 0xa)
    • Carriage return(CR) followed by line feed(LF)

目录

目录包含一个链接(link)数组,并且每个目录至少包含两条记录:

  • .(dot) 当前目录
  • ..(dot dot) 上一层目录

用来操作目录的命令主要有 mkdir, ls, rmdir。目录是以树状结构组织的,根目录是 /(slash)。

内核会为每个进程保存当前工作目录(cwd, current working directory),可以用 cd 命令来进行更改。我们通过路径名来确定文件的位置,一般分为绝对路径和相对路径。

接下来我们了解一下基本的文件操作。

打开文件

在使用文件之前需要通知内核打开该文件:

int fd; // 文件描述符 file descriptor
if ((fd = open("/etc/hosts", O_RDONLY)) < 0)
{
perror("open");
exit(1);
}

返回值是一个小的整型称为文件描述符(file descriptor),如果这个值等于 -1 则说明发生了错误。每个由 Linux shell(注:感谢网友 yybear 的勘误) 创建的进程都会默认打开三个文件(注意这里的文件概念):

  • 0: standard input(stdin)
  • 1: standard output(stdout)
  • 2: standar error(stderr)

关闭文件

使用完毕之后同样需要通知内核关闭文件:

int fd; // 文件描述符
int retval; // 返回值
int ((retval = close(fd)) < 0)
{
perror("close");
exit(1);
}

如果在此关闭已经关闭了的文件,会出大问题。所以一定要检查返回值,哪怕是 close() 函数(如上面的例子所示)

读取文件

在打开和关闭之间就是读取文件,实际上就是把文件中对应的字节复制到内存中,并更新文件指针:

char buf[512];
int fd;
int nbytes;
// 打开文件描述符,并从中读取 512 字节的数据
if ((nbytes = read(fd, buf, sizeof(buf))) < 0)
{
perror("read");
exit(1);
}

返回值是读取的字节数量,是一个 ssize_t 类型(其实就是一个有符号整型),如果 nbytes < 0 那么表示出错。nbytes < sizeof(buf) 这种情况(short counts) 是可能发生的,而且并不是错误。

写入文件

写入文件是把内存中的数据复制到文件中,并更新文件指针:

char buf[512];
int fd;
int nbytes;
// 打开文件描述符,并向其写入 512 字节的数据
if ((nbytes = write(fd, buf, sizeof(buf)) < 0)
{
perror("write");
exit(1);
}

返回值是写入的字节数量,如果 nbytes < 0 那么表示出错。nbytes < sizeof(buf) 这种情况(short counts) 是可能发生的,而且并不是错误。

综合上面的操作,我们可以来看看 Unix I/O 的例子,这里我们一个字节一个字节把标准输入复制到标准输出中:

#include "csapp.h"
int main(void)
{
char c;
while(Read(STDIN_FILENO, &c, 1) != 0)
Write(STDOUT_FILENO, &c, 1);
exit(0);
}

前面提到的 short count 会在下面的情形下发生:

  • 在读取的时候遇到 EOF(end-of-file)
  • 从终端中读取文本行
  • 读取和写入网络 sockets

但是在下面的情况下不会发生

  • 从磁盘文件中读取(除 EOF 外)
  • 写入到磁盘文件中

最好总是允许 short count,这样就可以避免处理这么多不同的情况。

元数据

元数据是用来描述数据的数据,由内核维护,可以通过 statfstat 函数来访问,其结构是:

struct stat
{
dev_t st_dev; // Device
ino_t st_ino; // inode
mode_t st_mode; // Protection & file type
nlink_t st_nlink; // Number of hard links
uid_t st_uid; // User ID of owner
gid_t st_gid; // Group ID of owner
dev_t st_rdev; // Device type (if inode device)
off_t st_size; // Total size, in bytes
unsigned long st_blksize; // Blocksize for filesystem I/O
unsigned long st_blocks; // Number of blocks allocated
time_t st_atime; // Time of last access
time_t st_mtime; // Time of last modification
time_t st_ctime; // Time of last change
}

对应的访问例子:

int main (int argc, char **argv)
{
struct stat stat;
char *type, *readok;
Stat(argv[1], &stat);
if (S_ISREG(stat.st_mode)) // 确定文件类型
type = "regular";
else if (S_ISDIR(stat.st_mode))
type = "directory";
else
type = "other";
if ((stat.st_mode & S_IRUSR)) // 检查读权限
readok = "yes";
else
readok = "no";
printf("type: %s, read: %s\n", type, readok);
exit(0);
}

重定向

了解了具体的结构之后,我们来看看内核是如何表示已打开的文件的。其实过程很简单,每个进程都有自己的描述符表(Descriptor table),然后 Descriptor 1 指向终端,Descriptor 4 指向磁盘文件,如下图所示:

这里有一个需要说明的情况,就是使用 fork。子进程实际上是会继承父进程打开的文件的。在 fork 之后,子进程实际上和父进程的指向是一样的,这里需要注意的是会把引用计数加 1,如下图所示

了解了这个,我们我们就可以知道所谓的重定向是怎么实现的了。其实很简单,只要调用 dup2(oldfd, newfd) 函数即可。我们只要改变文件描述符指向的文件,也就完成了重定向的过程,下图中我们把原来指向终端的文件描述符指向了磁盘文件,也就把终端上的输出保存在了文件中:

标准输入输出

C 标准库中包含一系列高层的标准 IO 函数,比如

  • 打开和关闭文件: fopen, fclose
  • 读取和写入字节: fread, fwrite
  • 读取和写入行: fgets, fputs
  • 格式化读取和写入: fscanf, fprintf

标准 IO 会用流的形式打开文件,所谓流(stream)实际上是文件描述符和缓冲区(buffer)在内存中的抽象。C 程序一般以三个流开始,如下所示:

#include <stdio.h>
extern FILE *stdin; // 标准输入 descriptor 0
extern FILE *stdout; // 标准输出 descriptor 1
extern FILE *stderr; // 标准错误 descriptor 2
int main()
{
fprintf(stdout, "Hello, Da Wang\n");
}

接下来我们详细了解一下为什么需要使用缓冲区,程序经常会一次读入或者写入一个字符,比如 getc, putc, ungetc,同时也会一次读入或者写入一行,比如 gets, fgets。如果用 Unix I/O 的方式来进行调用,是非常昂贵的,比如说 readwrite 因为需要内核调用,需要大于 10000 个时钟周期。

解决的办法就是利用 read 函数一次读取一块数据,然后再由高层的接口,一次从缓冲区读取一个字符(当缓冲区用完的时候需要重新填充)

总结

前面介绍了两种 I/O 方法,Unix I/O 是最底层的,通过系统调用来进行文件操作,在这之上是 C 的标准 I/O 库,对应的函数为:

  • Unix I/O: open, read, write, lseek, stat, close
  • Standard C I/O: fopen, fdopen, fread, fwrite, fscanf, fprintf, sscanf, sprintf, fgets, fputs, fflush, fseek, fclose

Unix I/O 是最通用最底层的 I/O 方法,其他的 I/O 包都是在 Unix I/O 的基础上进行构建的,值得注意的一点是,Unix I/O 中的方法都是异步信号安全(async-signal-safe)的,也就是说,可以在信号处理器中调用。因为比较底层和基础的缘故,需要处理的情况非常多,很容易出错。高效率的读写需要用到缓冲区,同样容易出错,这也就是标准 C 库着重要解决的问题。

标准 C I/O 提供了带缓存访问文件的方法,使用的时候几乎不用考虑太多,但是如果我们想要得到文件的元信息时,就还是得使用 Unix I/O 中的 stat 函数。另外标准 C I/O 中的函数都不是异步信号安全(async-signal-safe)的,所以并不能在信号处理器中使用。最后,标准 C I/O 不适合用于处理网络套接字。

参考链接

捧个钱场?