Buscar cadena en archivo de texto C

Question

El siguiente código lee un archivo de texto, un carácter a la vez y lo imprime en la salida estándar:

#include <stdio.h> 

int main() 
{ 
    char file_to_open[] = "text_file.txt", ch; 
    FILE *file_ptr; 

    if((file_ptr = fopen(file_to_open, "r")) != NULL) 
    { 
     while((ch = fgetc(file_ptr)) != EOF) 
     { 
      putchar(ch); 
     } 
    } 
    else 
    { 
     printf("Could not open %s\n", file_to_open); 
     return 1; 
    } 
    return(0); 
} 

Pero en lugar de imprimir a la salida estándar [putchar (CH)] Quiero buscar en el archivo cadenas específicas proporcionadas en otro archivo de texto, es decir. strings.txt y la salida de la línea con el partido a out.txt

text_file.txt:

 
1993 - 1999 Pentium 
1997 - 1999 Pentium II 
1999 - 2003 Pentium III 
1998 - 2009 Xeon 
2006 - 2009 Intel Core 2 

strings.txt:

 
Nehalem 
AMD Athlon 
Pentium 

En este caso las tres primeras líneas de text_file.txt se correspondería. He realizado algunas investigaciones sobre las operaciones de archivos en C, y parece que puedo leer un carácter a la vez con fgetc [como lo hago en mi código], una línea con fgets y un bloque con fread, pero no hay palabras como supongo sería perfecto en mi situación?

Answer 1

Supongo que se trata de un ejercicio de aprendizaje y que simplemente está buscando un lugar para comenzar. De lo contrario, no deberías reinventar la rueda.

El siguiente código le dará una idea de lo que se trata. Es un programa que le permite especificar el nombre del archivo que se va a buscar y un único argumento para buscar en ese archivo. Debería poder modificar esto para poner las frases para buscar en una matriz de cadenas y verificar si alguna de las palabras en esa matriz aparece en cualquiera de las líneas leídas.

La función clave que está buscando es strstr.

#include <stdio.h> 
#include <string.h> 
#include <stdlib.h> 

#ifdef DEBUG 
#define INITIAL_ALLOC 2 
#else 
#define INITIAL_ALLOC 512 
#endif 

char * 
read_line(FILE *fin) { 
    char *buffer; 
    char *tmp; 
    int read_chars = 0; 
    int bufsize = INITIAL_ALLOC; 
    char *line = malloc(bufsize); 

    if (!line) { 
     return NULL; 
    } 

    buffer = line; 

    while (fgets(buffer, bufsize - read_chars, fin)) { 
     read_chars = strlen(line); 

     if (line[read_chars - 1] == '\n') { 
      line[read_chars - 1] = '\0'; 
      return line; 
     } 

     else { 
      bufsize = 2 * bufsize; 
      tmp = realloc(line, bufsize); 
      if (tmp) { 
       line = tmp; 
       buffer = line + read_chars; 
      } 
      else { 
       free(line); 
       return NULL; 
      } 
     } 
    } 
    return NULL; 
} 

int 
main(int argc, char *argv[]) { 
    FILE *fin; 
    char *line; 

    if (argc != 3) { 
     return EXIT_FAILURE; 
    } 

    fin = fopen(argv[1], "r"); 

    if (fin) { 
     while (line = read_line(fin)) { 
      if (strstr(line, argv[2])){ 
       fprintf(stdout, "%s\n", line); 
      } 
      free(line); 
     } 
    } 

    fclose(fin); 
    return 0; 
} 

Salida de ejemplo:

 
E:\Temp> searcher.exe searcher.c char 
char * 
    char *buffer; 
    char *tmp; 
    int read_chars = 0; 
    char *line = malloc(bufsize); 
    while (fgets(buffer, bufsize - read_chars, fin)) { 
     read_chars = strlen(line); 
     if (line[read_chars - 1] == '\n') { 
      line[read_chars - 1] = '\0'; 
       buffer = line + read_chars; 
main(int argc, char *argv[]) { 
    char *line; 

Answer 2

Recuerde: fgetc(), getc(), getchar() devuelven un número entero, no un carácter. El entero puede ser EOF o un carácter válido, pero devuelve un valor más que el rango admitido por el tipo de carácter.

Usted está escribiendo un sustituto para el comando 'fgrep':

fgrep -f strings.txt text_file.txt > out.txt 

En lugar de caracteres de lectura, que van a necesitar para leer líneas - utilizando fgets(). (¡Olvídese de que la función get() existe!)

He sangrado su código e insertado un retorno 0; al final para ti (aunque C99 hace un 'retorno 0' implícito) si te caes del final de main()). Sin embargo, C99 también exige un tipo de devolución explícita para cada función, y agregué la 'int' a 'int main()' para usted (pero no puede usar la excusa conforme a C99 para no devolver 0 al final). Los mensajes de error se deben escribir en el error estándar en lugar de la salida estándar.

Probablemente necesite usar la asignación dinámica para la lista de cadenas. Una búsqueda simple simplemente aplicará 'strstr()' buscando cada una de las cadenas requeridas en cada línea de entrada (asegurándose de romper el bucle una vez que haya encontrado una coincidencia para que no se repita una línea si hay múltiples coincidencias en una sola línea).

Una búsqueda más sofisticada predeciría qué caracteres se pueden ignorar para que pueda buscar todas las cadenas en paralelo, salteando el texto más rápido que el loop-in-a-loop. Esto podría ser una modificación de un algoritmo de búsqueda como Boyer-Moore o Knuth-Morris-Pratt (añadido: o Rabin-Karp que está diseñado para la búsqueda paralela de múltiples cadenas).

Answer 3

La lectura por bloques es siempre mejor, porque así es como funciona el sistema de archivos subyacente.

Por lo tanto, solo lea por bloques, verifique si alguna de sus palabras aparece en el búfer, y luego lea otro búfer lleno. Solo tiene que tener cuidado para volver a copiar los últimos caracteres del buffer anterior en el nuevo para evitar la pérdida de detección si las palabras de búsqueda están en el límite del buffer.

Si este algoritmo trivial no es suficiente (en su caso, probablemente) existe un algoritmo mucho más sofisticado para buscar simultáneamente varias subcadenas en una memoria intermedia, cf Rabin-Karp.

Answer 4

cat strings.txt |while read x; do grep "$x" text_file.txt; done