golang-bufio 缓冲扫描

前面两篇博客，介绍了 bufio 包中的缓冲读和写（bufio.go），下面再来介绍一下缓冲扫描（scan.go）。这个扫描的是用来对缓存读的更高级封装，提供了一些更易用的方法。

缓冲扫描

Scanner 提供了一个方便的接口来读取数据，例如使用换行符分隔的文本行文件。它可以很方便的将数据转换成各种各样的 Token。Token 的规范是被类型为 SplitFunc 的 split 函数定义的；默认的 split 函数会把输入转换成以去除行尾的文本行。在这个包内定义的 split 函数被用来将文件扫描成文本行，字节，UTF-8 字符和空格分隔的单词。客户端也可以提供自定义的 split 函数。

如果需要在错误处理或者超大 token 上进行更多控制，或者必须在 reader 上指向顺序扫描的程序，应该使用 bufio.Reader 替代。具体可以了解这篇博客的内容：Golang读取单行超长的文本

// Scanner provides a convenient interface for reading data such as
// a file of newline-delimited lines of text. Successive calls to
// the Scan method will step through the 'tokens' of a file, skipping
// the bytes between the tokens. The specification of a token is
// defined by a split function of type SplitFunc; the default split
// function breaks the input into lines with line termination stripped. Split
// functions are defined in this package for scanning a file into
// lines, bytes, UTF-8-encoded runes, and space-delimited words. The
// client may instead provide a custom split function.
//
// Scanning stops unrecoverably at EOF, the first I/O error, or a token too
// large to fit in the buffer. When a scan stops, the reader may have
// advanced arbitrarily far past the last token. Programs that need more
// control over error handling or large tokens, or must run sequential scans
// on a reader, should use bufio.Reader instead.
type Scanner struct {
	r            io.Reader // The reader provided by the client.
	split        SplitFunc // The function to split the tokens.
	maxTokenSize int       // Maximum size of a token; modified by tests.
	token        []byte    // Last token returned by split.
	buf          []byte    // Buffer used as argument to split.
	start        int       // First non-processed byte in buf.
	end          int       // End of data in buf.
	err          error     // Sticky error.
	empties      int       // Count of successive empty tokens.
	scanCalled   bool      // Scan has been called; buffer is in use.
	done         bool      // Scan has finished.
}

const (
	// MaxScanTokenSize is the maximum size used to buffer a token
	// unless the user provides an explicit buffer with Scanner.Buffer.
	// The actual maximum token size may be smaller as the buffer
	// may need to include, for instance, a newline.
	MaxScanTokenSize = 64 * 1024

	startBufSize = 4096 // Size of initial allocation for buffer.
)

它其实和前面的缓冲 Reader 很像，同样都是对于底层数据源的一种封装。但是它提供了一些更加方便的方法，对于缓冲 Reader 而言，它的方法通常比较低级，真正使用起来不是很方便（例如每次读取一个单词，这样就需要自己去对读取的数据做处理了）。相比之下，Scanner 提供了更为细化的方法，它会对缓冲区的内容进行切分成 token。token 可以是字节，字符，字符串或者单词。

注意：默认的缓冲区大小是 4096，最大的扫描 token 大小为：64*1024，即 64KB。

split 切分函数

我们来看一下这个包内最重要的函数的签名：

type SplitFunc func(data []byte, atEOF bool) (advance int, token []byte, err error)

它是用来把输入转换成 token，我们不会直接使用它。只需要在创建 Scanner 时指定使用哪一个函数，然后调用 scan 即可。

bufio 包默认提供的几个 split 函数实现：

• ScanBytes 返回每个字节作为一个 token
• ScanRunes 返回每个字符（UTF-8）作为一个 token
• ScanLines 返回每个文本行（移除行尾标记 \r?\n，注意这个正则表示 \r\n 或者 \n）
• ScanWords 返回每个被空格分隔的单词（只返回单词，不包括空格）

创建 Scanner 时，split 默认使用了 ScanLines 函数:

// NewScanner returns a new Scanner to read from r.
// The split function defaults to ScanLines.
func NewScanner(r io.Reader) *Scanner {
	return &Scanner{
		r:            r,
		split:        ScanLines,
		maxTokenSize: MaxScanTokenSize,
	}
}

Scan 扫描方法

// Scan advances the Scanner to the next token, which will then be
// available through the Bytes or Text method. It returns false when the
// scan stops, either by reaching the end of the input or an error.
// After Scan returns false, the Err method will return any error that
// occurred during scanning, except that if it was io.EOF, Err
// will return nil.
// Scan panics if the split function returns too many empty
// tokens without advancing the input. This is a common error mode for
// scanners.
func (s *Scanner) Scan() bool

这个函数挺复杂的，这里只介绍一下它的作用。它将前进 Scanner 到下一个 token，可以通过 Bytes 或者 Text 方法获取到这个 Token。当扫描停止时，无论是到达输入的末尾还是出现错误，它都会返回 false。在扫描返回 false 之后，可以通过 Err 方法获取扫描期间发生的错误，除非这个错误是 io.EOF，那么 Err 会返回 nil。

也就是说，正常调用一次 Scan 会获取一个 token，它被存放于 Scanner 中。根据前面 Scanner 结构体中的定义，它是一个字节切片类型。这里提供了两种方式来获取它，一种是返回字节切片，另一种是字符串形式。

// Bytes returns the most recent token generated by a call to Scan.
// The underlying array may point to data that will be overwritten
// by a subsequent call to Scan. It does no allocation.
func (s *Scanner) Bytes() []byte {
	return s.token
}

// Text returns the most recent token generated by a call to Scan
// as a newly allocated string holding its bytes.
func (s *Scanner) Text() string {
	return string(s.token)
}

代码示例

所以一个普通的扫描文本的代码示例如下：

package main

import (
	"bufio"
	"fmt"
	"strings"
)

func main() {
	// 这里不使用字符串存储数据，而是使用字符串
	// 这样我可以很方便地使用字符串作为 Reader
	text := "curl 卷曲的\r\ncruel 冷酷的\n============\r\nmass 质量\nmess 混乱\n" +
		"============\nmetal 金属\r\nmental 精神的\n============\r\r\nsweep 扫除\nweep 哭泣\n" +
		"============\nwipe 擦除\r\r\nwhip 鞭打\n"

	reader := strings.NewReader(text)
	scanner := bufio.NewScanner(reader)
	// bufio.ScanLines 是默认的，所以可以不显式指定
	// scanner.Split(bufio.ScanWords)

	var line string
	for scanner.Scan() {
		line = scanner.Text()
		fmt.Print(line)
	}

}

这里我打印扫描到的字符串 token，但是并不换行。可以看到输出是三行了。因为我在测试数据中加入了 \r\r\n，前面介绍了扫描字符串时，只会处理 \r\n 或者 \n 的情况。那么这种情况下，它输出的就是 字符串本身\r，最后会多一个 \r 字符。使用 fmt.Println() 输出是不行的，因为它默认添加一个 \n，但是 \r\n 和 \n 的显示效果是相同的，我是 Windows 平台

我们来看一下源码中是如何处理的，它有一个去除 \r 的函数。你看它的逻辑很简单，只是看最后一位是不是 \r，如果是的话就返回不包括最后一位的字节切片，否则返回全部字节切片。

// dropCR drops a terminal \r from the data.
func dropCR(data []byte) []byte {
	if len(data) > 0 && data[len(data)-1] == '\r' {
		return data[0 : len(data)-1]
	}
	return data
}

如果需要指定其他的分隔方式，可以将上面注释的代码放开，选择自己想要的函数。例如使用扫描单词的函数：scanner.Split(bufio.ScanWords)