从系统IO与标准IO看JAVA IO

　　首先了解一下系统 I/O 与标准 I/O 的区别：

　　系统I/O，又称文件I/O，或是内核态I/O，引用文件的方式是通过文件描述符，一个文件对应一个文件描述符。一个文件描述符用一个非负整数表示，0、1、2系统默认表示标准输入、标准输出、标准错误，某些UNIX系统规定了描述符的上限值OPEN_MAX，这些常量都定义在头文件<unistd.h>中。当读或写一个文件时，使用open或create系统调用返回的文件描述符标识该文件，并将其作为参数传递给read或write系统调用。

　　标准I/O，又叫用户态I/O，引用文件的方式则是通过文件流（stream），一般用fopen和freopen函数打开一个流，返回一个指向FILE对象的指针，其他函数如果要引用这个流，则将FILE指针作为参数传递。一个进程预定义了三个流，并且这三个流自动被进程使用，它们是标准输入流、标准输出流和标准出错流，这三个流和系统I/O所规定的三个文件描述符所引用的文件相同。当读或写一个文件时，不像系统I/O，仅定义了read和write两个系统调用函数，标准I/O定义了多个函数，程序员可以根据自己的需求灵活使用。这些函数可以分为每次一个字符的I/O，每次一行的I/O和直接I/O（或者二进制I/O、一次一个对象I/O、面向记录的I/O、面向结构的I/O）。

　　一个 fopen 的使用样例：

#include <stdio.h>
#include <stdlib.h>
#define N 100
int main() {
    FILE *fp;
    char str[N + 1];
    //判断文件是否打开失败
    if ( (fp = fopen("d:\demo.txt", "rt")) == NULL ) {
        puts("Fail to open file!");
        exit(0);
    }
    //循环读取文件的每一行数据
    while( fgets(str, N, fp) != NULL ) {
        printf("%s", str);
    }
   
    //操作结束后关闭文件
    fclose(fp);
    return 0;
}

　　fp 为文件偏移位置，每次 fgets 调用都会更新该位置，以便下次调用使用。这也是 ”流“ 只能顺序操作的原因。直到遇到一个 EOF（文件结束标志） ，操作结束。

　　系统I/O效率受限于read、write系统调用的次数，而系统调用次数则又受限于内核缓冲区的大小，即BUFFSIZE，通过设置不同的BUFFSIZE，系统CPU时间是不同的，其最小值出现在BUFFSIZE=4096处，原因是测试所采用的是Linux ext2文件系统，其块长为4096字节，也即缓冲区所能申请到的最大缓冲区大小，我们把4096字节看做是本次最佳I/O长度。如果继续扩大缓冲区大小，对此时间几乎没有影响。

　　为什么BUFFSIZE设置为4096个字节的时候，System CPU time最小呢？ 因为，read函数读入4096个字节，正好是一个块，如果大于或者小于4096，那么就越块了，这样read函数会阻塞在那里，等着文件系统去翻下一个block，这样就耽误了时间，这个时间就是由于read阻塞而浪费的系统CPU时间。这个也是很多地方讲的所谓的“4K对齐”吧。

　　说到这里再提一下操作系统中数据块的概念：数据块是操作系统中文件系统的概念，因为正是操作系统内的文件系统这块负责处理文件的I/O等各种操作。文件系统不可能针对扇区进行寻址，那样的话需要维护的地址表过于庞大。所以，在文件系统级别，文件系统对自己可寻址的硬盘块进行了重新的定义，这个定义是在格式化的时候确定下来的，它必须是扇区大小的整数倍。这个在文件系统级别定义的硬盘块就是OS space allocation block size。在windows中这个叫做簇，在其他操作系统中叫做block（块）。一个块内只能存储一个文件，比如定义块为2k，那么5k的要占用3个块。操作系统的上层是应用，当应用发来I/O请求要读取一个文件时，操作系统收到请求后，首先在文件系统的地址表中找到这个文件对应硬盘上的块地址。然后，对每一个块产生一个I/O请求，发送到驱动模块处理。

　　所以，对于系统I/O操作，一个最大的问题就是：需要人为控制缓存的大小及最佳I/O长度的选择，另外就是系统调用与普通函数调用相比通常需要花费更多的时间，因为系统调用具体内核要执行这样的操作：1）内核捕获调用，2）检查系统调用参数的有效性，3）在用户空间和内核空间之间传输数据。

　　因此，引入标准I/O的目的就是为了通过标准I/O缓存来避免BUFFSIZE选择不当而带来的频繁的系统调用。根据用户不同的需求，选择不同的I/O函数，然后根据不同的缓存类型，自动调用malloc等缓存分配函数分配合适的缓存，等分配的缓存满之后，再调用系统I/O从标准I/O缓存向内核缓存拷贝数据，这样就进一步减少了系统调用的次数。

　　但是不同的标准I/O函数，不同的缓存类型也会带来不同的效率。如上图，当选择系统最佳I/O长度，即BUFFSIZE的大小和文件系统的块长一致，可以得到最佳的时间。当选用标准I/O函数时，每次一个字符函数fgetc、fputc和每次一行函数fgets、fputs函数相比要花费较多的CPU时间，而每次单个字节调用系统I/O则花费更多的时间，如果是一个100M的文件，则要执行大概2亿次函数调用，也就引起2亿次系统调用（从用户缓冲区到内核缓冲区，再到磁盘），而fgetc版本也执行了2亿次函数调用，但只引起了大约25222次系统调用，所以，时间就大大减少了。

　　综合以上，标准I/O函数虽然基于系统I/O实现，但很大程度上减少了系统调用的次数，而且不用人为关心缓冲区大小的选择，整体上提高了I/O的效率。另外，标准I/O提供了多种缓存类型，方便程序员根据不同的应用需求选择不同的缓存要求，提高了编程的灵活性，当选择无缓存时，就相当于直接调用系统I/O。

　　在 JAVA 中，缓冲流的默认缓冲区大小为 8192 字节。上线提到 Linux ext2文件系统块长为4096字节，此时缓冲区设置为4096字节可以使系统I/O效率最大化。JAVA 属于应用层，其考虑很可能是适配系统 I/O 的最佳缓冲区大小。

　　我们看一下 linux 系统 IO 的 read 函数描述，从一个打开的文件读取字节：

#include <unistd.h>

ssize_t read(int fd, void *buf, size_t count);

　　返回值：成功返回读取的字节数，出错返回-1并设置errno，如果在调read之前已到达文件末尾，则这次read返回 0 ，参数 count 是请求读取的字节数，读上来的数据保存在缓冲区buf中，同时文件的当前读写位置向后移。注意这个读写位置和使用C标准I/O库时的读写位置有可能不同，这个读写位置是记在内核中的，而使用C标准I/O库时的读写位置是用户空间I/O缓冲区中的位置。比如用fgetc读一个字节，fgetc有可能从内核中预读1024个字节到I/O缓冲区中，再返回第一个字节，这时该文件在内核中记录的读写位置是1024，而在FILE结构体中记录的读写位置是1。注意返回值类型是ssize_t，表示有符号的size_t，这样既可以返回正的字节数、0（表示到达文件末尾）也可以返回负值-1（表示出错）。read函数返回时，返回值说明了buf中前多少个字节是刚读上来的。有些情况下，实际读到的字节数（返回值）会小于请求读的字节数count，例如：读常规文件时，在读到count个字节之前已到达文件末尾。例如，距文件末尾还有30个字节而请求读100个字节，则read返回30，下次read将返回0。

　　从上面的 read 函数可以看出，进行 read 系统调用时可以指定读取字节的长度，当然这个长度是由内核指定的。在从指定大小缓冲区读取数据时，可以使用 while 循环直到 read 函数返回 -1 或 0。每次读取时，我们尽最大可能将缓冲区填满，处理缓冲区数据，处理完成后再次进行系统调用。

　　系统函数每次尽量将内核缓冲区填满，JAVA IO每次尽量将用户缓冲区填满，我们在读取一个文件时，并不是一次性将文件读入内存的，而是按缓冲区大小来进行分组的系统调用，这也是为什么 JAVA 中的 read 要放在 while 循环中。其本质是基于系统调用打开一个流，只能依次向后读取，读取位置由系统函数记录，而应用层只需要在发起系统调用时，按缓冲区大小（或者没有缓冲区按字节读）传入要读取的字节数，至于将文件完整的读取出来，还需要我们在应用层编程时自行处理。

　　我们来看 JAVA 中 read 与 read0 的 native 实现，摘自 https://blog.csdn.net/zuoxiaolong8810/article/details/9974525：

JNIEXPORT jint JNICALL
Java_java_io_FileInputStream_read(JNIEnv *env, jobject this) {
    return readSingle(env, this, fis_fd);//每一个本地的实例方法默认的两个参数，JNI环境与对象的实例
}
 
JNIEXPORT jint JNICALL
Java_java_io_FileInputStream_readBytes(JNIEnv *env, jobject this,
        jbyteArray bytes, jint off, jint len) {//除了前两个参数，后三个就是readBytes方法传递进来的，字节数组、起始位置、长度三个参数
    return readBytes(env, this, bytes, off, len, fis_fd);
}

/*
    env和this参数就不再解释了
    fid就是FileInputStream类中fd属性的内存地址偏移量
    通过fid和this实例可以获取FileInputStream类中fd属性的内存地址
*/
jint
readSingle(JNIEnv *env, jobject this, jfieldID fid) {
    jint nread;//存储读取后返回的结果值
    char ret;//存储读取出来的字符
    FD fd = GET_FD(this, fid);//这个获取到的FD其实就是之前handle属性的值，也就是文件的句柄
    if (fd == -1) {
        JNU_ThrowIOException(env, "Stream Closed");
        return -1;//如果文件句柄等于-1，说明文件流已关闭
    }
    nread = (jint)IO_Read(fd, &ret, 1);//读取一个字符，并且赋给ret变量
    //以下根据返回的int值判断读取的结果
    if (nread == 0) { /* EOF */
        return -1;//代表流已到末尾，返回-1
    } else if (nread == JVM_IO_ERR) { /* error */
        JNU_ThrowIOExceptionWithLastError(env, "Read error");//IO错误
    } else if (nread == JVM_IO_INTR) {
        JNU_ThrowByName(env, "java/io/InterruptedIOException", NULL);//被打断
    }
    return ret & 0xFF;//与0xFF做按位的与运算，去除高于8位bit的位
}

/*
    fd就是handle属性的值
    buf是收取读取内容的数组
    len是读取的长度，可以看到，这个参数传进来的是1
    函数返回的值代表的是实际读取的字符长度
*/
JNIEXPORT
size_t
handleRead(jlong fd, void *buf, jint len)
{
    DWORD read = 0;
    BOOL result = 0;
    HANDLE h = (HANDLE)fd;
    if (h == INVALID_HANDLE_VALUE) {//如果句柄是无效的，则返回-1
        return -1;
    }
//都是WIN API的函数，可以百度搜索它的作用与参数详解，理解它并不难
    result = ReadFile(h,          /* File handle to read */  //文件句柄
                      buf,        /* address to put data */  //存放数据的地址
                      len,        /* number of bytes to read */  //要读取的长度
                      &read,      /* number of bytes read */  //实际读取的长度
                      NULL);      /* no overlapped struct */  //只有对文件进行重叠操作时才需要传值
    if (result == 0) {//如果没读取出来东西，则判断是到了文件末尾返回0，还是报错了返回-1
        int error = GetLastError();
        if (error == ERROR_BROKEN_PIPE) {
            return 0; /* EOF */
        }
        return -1;
    }
    return read;
}