Wikipediaのdumpデータから記事取得を目的としたプログラムの作成

Question

自然言語処理について勉強しています。
Wikipediaのdumpデータからタイトルと本文を抜き出して処理をしようと思ってます。(外部ライブラリ未使用で)
今は記事<page>~</page>間を全取得してtxtに書き込むプログラムを作りたいです。
ここからは求めた記事の開始地点のbyte(pb[0])から指定バイト（pb[1]）分だけ読み込んでいく予定でしたが、
ファイルポインタが記事の終着点にあって読み込みがうまくいってません。
fprintfが上手いこと動くようにして欲しいです。
プログラミングはあまり得意ではないです。

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

int main (){


int  p;
char pb[5];
char line[BUFSIZ];
FILE *fp = fopen("jawiki-20211220-pages-articles-multistream1.xml", "r");
char title[BUFSIZ];

//FILE *gt=fopen("list_1.txt","r");   
FILE *fw = fopen("get_text_c.txt", "w");

 while (p = ftell(fp), fgets(line, BUFSIZ, fp)) {
   if ((NULL == fp)||(NULL== fw )){
     abort();
   }
 
   else if (strstr(line, "<page>")){
     p=pb[0];
   }
   else if (strstr(line, "</page>")){
      pb[1] = p - pb[0];
      fseek(fp,-pb[1],SEEK_CUR);
      fgets(line,pb[1],fp);
      //fwrite(pb, sizeof(size_t), 2, fw); // ...
      //fprintf(fw, "%hhd \t %hhd \n", pb[0], pb[1]); //読み込み時の名残
      fprintf(fw,"%s  \n",line);**//ここが動いてほしい**
   }
 }
 
fclose(fw);
fclose(fp);
}

Comments

[int32_t]

<page> と </page> に挟まれている箇所の開始オフセットとバイト数を pb[0] と pb[1] に入れたいということで合ってますか?

<page> と </page> が同じ行に含まれることはありますか?

[studyprg]

あってます。
<page></page>が１行はないと思います。

Answer 1

ファイルポインタが記事の終着点にあって読み込みがうまくいってません。

ファイルポインタを操作するには、fseekを使います

Comments

[studyprg]

ありがとうございます。
fseekでの実行すると以下のエラーが起こります。
% gcc Wiki_getter2_All.c -o get_all
% ./get_all
zsh: segmentation fault ./get_all

[y_waiwai]

なにかコードにバグが有る、ってことですね
そのコードを提示しよう
質問文は編集できますんで、そっちの方に追記すればいいかと。

[studyprg]

編集しました。
お願いします

[y_waiwai]

pb[0]って何が入ってるんでしょう。
初期化さえしてないように見えますが（デタラメの値が入っている）

[studyprg]

とりあえず初期化を試しましたが上のコメントのエラーが出ました。