c++ - 为什么我无法读取长度超过 4094 个字符的 UTF-16 文件？

Question

一些信息:

• 我只在 Linux 上试过这个
• 我已经尝试过 GCC (7.2.0) 和 Clang (3.8.1)
• 据我了解，它需要 C++11 或更高版本

我运行它时会发生什么

我得到预期的字符串“abcd”重复，直到它达到 4094 个字符的位置。之后它输出的就是这个符号“？”直到文件结束。

我对此有何看法？

我认为这不是预期的行为，它一定是某个地方的错误。

可用于测试的代码:

#include <iostream>
#include <fstream>
#include <locale>
#include <codecvt>

void createTestFile() {
  std::ofstream file ("utf16le.txt", std::ofstream::binary);
  if (file.is_open()) {
    uint16_t bom = 0xFEFF; // UTF-16 little endian BOM
    uint64_t abcd = 0x0064006300620061; // UTF-16 "abcd" string
    file.write((char*)&bom,2);
    for (size_t i=0; i<2000; i++) {
      file.write((char*)&abcd,8);
    }
    file.close();
  }
}

int main() {
  //createTestFile(); // uncomment to make the test file

  std::wifstream file;
  std::wstring line;

  file.open("utf16le.txt");
  file.imbue(std::locale(file.getloc(), new std::codecvt_utf16<wchar_t, 0x10ffff, std::consume_header>));
  if (file.is_open()) {
    while (getline(file,line)) {
      std::wcout << line << std::endl;
    }
  }
}

Answer 1

对我来说，这看起来像是一个库错误。使用 gdb 逐步执行 gcc 7.1.1 编译的示例程序:

(gdb) n
28      while (getline(file,line)) {
(gdb) n
29        std::wcout << line << std::endl;
(gdb) p line.size()
$1 = 8000

按预期读取了 8000 个字符。但后来:

(gdb) p line[4092]
$18 = (__gnu_cxx::__alloc_traits<std::allocator<wchar_t> >::value_type &) @0x628240: 97 L'a'
(gdb) p line[4093]
$19 = (__gnu_cxx::__alloc_traits<std::allocator<wchar_t> >::value_type &) @0x628244: 98 L'b'
(gdb) p line[4094]
$20 = (__gnu_cxx::__alloc_traits<std::allocator<wchar_t> >::value_type &) @0x628248: 25344 L'挀'
(gdb) p line[4095]
$21 = (__gnu_cxx::__alloc_traits<std::allocator<wchar_t> >::value_type &) @0x62824c: 25600 L'搀'
(gdb) p line[4096]
$22 = (__gnu_cxx::__alloc_traits<std::allocator<wchar_t> >::value_type &) @0x628250: 24832 L'愀'

line[4092] 和 line[4093] 看起来没问题。但后来，我看到 line[4094]、line[4095] 和 line[4096]，包含 6300、6400 和 6500，而不是 0063、0064 和 0065。

所以，实际上从字符 4094 而不是 4096 开始就搞砸了。我转储了二进制 UTF-16 文件，它看起来对我来说是正确的。 BOM 标记之后是文件全部内容的一致字节序。

唯一令人费解的是，为什么据说 clang 和 gcc 都会受到影响，但 Google 的快速搜索表明，至少直到最近，clang 还使用 gcc 的 libstdc++。所以，对我来说，这看起来像是一个 libstdc++ 错误。