文件大小与文本长度为什么不同：换行符的影响

查看日志、配置文件或上传附件时，经常会遇到一个小问题：两份文件显示的文字差不多，实际大小却不同。除了文字编码，换行符也是影响字节数的一个因素。理解这一点，可以减少排查文件大小差异时的误判。

换行符用于标记一行的结束。常见形式包括 LF 和 CRLF。在 UTF-8 编码下，LF 占一个字节，CRLF 则由两个字节组成。因此，同样包含字母 A、字母 B 和两个行尾标记的样例，使用 LF 时为四个字节，使用 CRLF 时为六个字节。显示效果接近，并不意味着底层字节相同。

另一个容易忽略的细节是，程序以文本方式读取文件时，可能转换换行符。本次用 Python 标准库构造了五组内存样例，分别包含 LF、CRLF、单独 CR、混合换行和空内容。采用统一换行的读取设置后，CRLF 样例从原始六个字节变成了重新编码后的四个字节；混合换行样例也从七个字节变成了六个字节。

这类变化并不表示原文件被修改。变化发生在读取后得到的文本中：原有换行形式被统一，再将文本编码回来，统计的就是转换后内容的大小。重新编码无法自动恢复已经丢失的原始换行形式。

因此，统计前应先明确目的。如果需要判断原文件是否超过上传限制，应依据原始字节或服务明确规定的计量方式。如果需要处理正文，则可以按文本读取，但应明确编码和换行设置。原始文件大小、正文字符数、处理后输出大小，最好分别命名和记录，避免在同一个字段里混用。

统计换行类型时，还要避免重复计数。CRLF 本身已经包含一个 CR 和一个 LF。如果把所有 CR、所有 LF 和所有 CRLF 的数量直接相加，就会把同一个换行重复计算。更清晰的做法是先统计完整的 CRLF，再分别统计不属于 CRLF 的单独 LF 和单独 CR。混合换行样例中，这三项可以各出现一次。

换行标记数量也不必然等于业务所说的总行数。例如，空文件、末尾没有换行的文本和连续空行，需要先确定计算约定。若工具要向其他程序提供统计结果，应直接说明字段表示的是行尾序列数量，还是按特定规则得到的行数。

本次五组样例均完成了断言验证；在明确保留换行的读取设置下，也验证了重新编码后的内容与原始样例一致。这个结论限定于本次有效 UTF-8 样例，不代表覆盖所有编码或文件系统场景。实际排查时，先保留原始字节依据，再观察文本处理步骤，就更容易解释大小差异。