c# - 将大文本拆分为较小块的最快方法

Question

我已经使用下面的代码来拆分字符串，但是需要很多时间。

using (StreamReader srSegmentData = new StreamReader(fileNamePath))
{
    string strSegmentData = "";
    string line = srSegmentData.ReadToEnd();
    int startPos = 0;

    ArrayList alSegments = new ArrayList();
    while (startPos < line.Length && (line.Length - startPos) >= segmentSize)
    {
        strSegmentData = strSegmentData + line.Substring(startPos, segmentSize) + Environment.NewLine;
        alSegments.Add(line.Substring(startPos, segmentSize) + Environment.NewLine);
        startPos = startPos + segmentSize;
    }
}

请给我建议一种将字符串拆分为固定大小的较小块的替代方法

Answer 1

首先，您应该定义块大小的含义。如果您的意思是具有固定数量 的块代码单元那么您的实际算法可能很慢，但它有效。如果这不是您想要的并且您实际上是指具有固定数量 的块字符 然后它坏了。我在这篇代码审查帖子中讨论了一个类似的问题:Split a string into chunks of the same length那么我将在这里只重复相关部分。

您正在对 Char 进行分区但是 String是 UTF-16 编码的，那么您可能会在至少三种情况下产生损坏的字符串:

一个字符用多个编码单元编码 .该字符的 Unicode 代码点被编码为两个 UTF-16 代码单元，每个代码单元可能会在两个不同的切片中结束(并且两个字符串都将无效)。

一个字符由多个码位组成 .您正在处理由两个单独的 Unicode 代码点组成的字符(例如汉字 𠀑)。

一个字符具有组合字符或修饰符 .这比您想象的更常见:例如，用于构建 à 的 Unicode 组合字符(如 U+0300 COMBINING GRAVE ACCENT)和 Unicode 修饰符(如 U+02BC MODIFIER LETTER APOSTROPHE)。

编程语言和人类对字符的定义非常不同，例如在斯洛伐克语中 dž 是单个字符，但它由 2/3 Unicode 代码点组成，在这种情况下也是 2/3 UTF-16 代码单元"dž".Length > 1 .更多关于这个和其他文化问题的信息，请访问 How can I perform a Unicode aware character by character comparison? .

存在连字。假设一个连字是一个代码点(并假设它被编码为一个代码单元)，那么您会将其视为单个字形，但它代表两个字符。在这种情况下该怎么办？一般来说，字符的定义可能非常模糊，因为根据使用该词的学科，它具有不同的含义。您不能(可能)正确处理所有事情，但您应该设置一些约束和记录代码行为。

一个提议的(和未经测试的)实现可能是这样的:

public static IEnumerable<string> Split(this string value, int desiredLength)
{
    var characters = StringInfo.GetTextElementEnumerator(value);
    while (characters.MoveNext())
        yield return String.Concat(Take(characters, desiredLength));
}

private static IEnumerable<string> Take(TextElementEnumerator enumerator, int count)
{
    for (int i = 0; i < count; ++i)
    {
        yield return (string)enumerator.Current;

        if (!enumerator.MoveNext())
            yield break;
    }
}

它没有针对速度进行优化(如您所见，我尝试使用枚举使代码保持简短和清晰)，但是对于大文件，它的性能仍然比您的实现好(原因请参见下一段)。

关于您的代码，请注意:

你正在 build 一个巨大的ArrayList (?!) 保存结果。另请注意，以这种方式调整大小 ArrayList多次(即使给定输入大小和块大小，则其最终大小是已知的)。

strSegmentData多次重建，如果需要积累字符必须使用StringBuilder否则每个操作都会分配一个新字符串并复制旧值(它很慢，而且还给垃圾收集器增加了压力)。

有更快的实现(请参阅链接的代码审查帖子，尤其是 Heslacher's implementation 以获得更快的版本)，如果您不需要正确处理 Unicode(您是 确定 您只管理美国 ASCII 字符)然后还有一个漂亮的readable implementation from Jon Skeet (请注意，在分析您的代码后，您仍然可以通过预先分配正确大小的输出列表来提高大文件的性能)。我不会在这里重复他们的代码，然后请引用链接的帖子。

在您的具体 您不需要读取内存中的整个大文件 ，您可以一次读取/解析 n 个字符(不要太担心磁盘访问，I/O 是缓冲的)。它会稍微降低性能，但会大大提高内存使用率。或者，您可以逐行阅读(管理处理跨线块)。