Почему я не могу прочитать файл UTF-16 длиннее 4094 символов?

Question

Некоторая информация:

• Я только попробовал это на Linux
• Я пробовал оба с GCC (7.2.0) и Clang (3.8.1)
• Это требует C++11 или выше, насколько я понимаю

Что происходит, когда я запускаю это

Я получаю ожидаемую строку "abcd", пока она не достигнет позиции 4094 символа. После этого выводится только этот знак "?" до конца файла.

Что я думаю об этом?

Я думаю, что это не ожидаемое поведение, и это должно быть где-то ошибка.

Код, который вы можете проверить с помощью:

#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

Это похоже на библиотечную ошибку для меня. Пошаговое выполнение программы-примера, скомпилированной gcc 7.1.1 с использованием gdb:

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

8000 символов прочитано, как и ожидалось. Но потом:

(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] а также line[4093] смотри хорошо Но потом я вижу line[4094], line[4095], а также line[4096], содержащий 6300, 6400 а также 6500, вместо 0063, 0064, а также 0065,

Таким образом, это запутано, начиная с символа 4094, а не 4096, на самом деле. Я сбросил бинарный файл UTF-16, и он мне кажется правильным. За маркером спецификации следует постоянный порядок байтов для всего содержимого файла.

Единственное, что озадачивает, - это то, почему предположительно затронуты и clang, и gcc, но быстрый поиск в Google показывает, что clang также использует libstdC++ от gcc, по крайней мере, до недавнего времени. Итак, для меня это выглядит как ошибка libstdC++.