问题(检查编辑说明)
我有大约 1500 个字符串的列表,对于这些字符串中的每一个,我必须检查目录(和子目录)中的任何文件是否包含该字符串(大约有 4000 个文件)。
代码
我现在有这两个变体:
原创
foreach(var str in stringList)
{
allFiles.Any(f => File.ReadAllText(f).Contains(str));
}
第二种变体(使用 ReadLines 而不是 ReadAllText,正如 VladL 在 this question 中所建议的那样)
foreach(var string in stringList)
{
allFiles.SelectMany(File.ReadLines).Any(line => line.Contains(str));
}
我只测试了原始变体的完整程序执行,用了 21 分钟才完成。然后我测试了一个语句(检查任何文件中是否包含 1 个字符串)搜索一个我知道它不包含的字符串以检查最坏的情况,这是我的时间(每 3 次执行一次):
原始:1285、1369、1336 毫秒
第二种变体:2718、2804、2831 毫秒
我还尝试将原始语句中的 ReadAllText 替换为 ReadAllLines(不更改任何其他内容),但没有性能变化。
问题
有没有更快的方法来检查字符串是否包含在任何文件(大量大文件)中?
编辑
我承认我没有像我想要的那样清楚地表达自己,说我有一个字符串列表。我实际拥有的是一个 csv 文件列表,然后我对这些文件进行迭代,然后遍历这些文件的每一行(忽略第一行)。对于每一行,我都创建了一个字符串,该字符串由该行的一些字段组成,然后查看是否有任何文件包含该字符串。
foreach(var csvFile in csvFiles)
{
var lines = File.ReadAllLines(csvFile);
foreach(var line in lines)
{
if (IsHeader(line)) continue;
var str = ComposeString(line);
var bool = allFiles.Any(f => File.ReadAllText(f).Contains(str));
// do stuff with the line and bool
}
}
编辑2
public void ExecuteAhoCorasick()
{
var table = CreateDataTable();
var allFiles = GetAllFiles();
var csvFiles = GetCsvFiles();
var resList = new List<string>();
foreach(var csvFile in csvFiles)
{
if (file.Contains("ValueList_")) continue;
var lines = File.ReadAllLines(file);
foreach (var line in lines)
{
if (line == HeaderLine) continue;
var res = line.Split(';');
if (res.Length <= 7) continue;
var resPath = $"{res[0]}.{res[1]}.{res[2]}".Trim('.');
resList.Add(resPath);
var row = table.NewRow();
row[0] = res[0]; // Group
row[1] = res[1]; // Type
row[2] = res[2]; // Key
row[3] = res[3]; // Global
row[4] = res[4]; // De
row[5] = res[5]; // Fr
row[6] = res[6]; // It
row[7] = res[7]; // En
row[8] = resPath; // Resource Path
row[9] = false;
row[10] = ""; // Comment
row[11] = file; // File Path
table.Rows.Add(row);
}
}
var foundRes = new List<string>();
foreach (var file in allFiles)
{
// var chars = File.ReadLines(file).SelectMany(line => line);
var text = File.ReadAllText(file);
var trie = new Trie();
trie.Add(resList);
foundRes.AddRange(trie.Find(text));
// foundRes.AddRange(trie.Find(chars));
}
// update row[9] to true foreach res in foundRes
}
最佳答案
我认为最快的方法是:
- 将每个文件完全读入内存。这简化了代码。
- 使用Aho-Corasick algorithm在每个文件的文本中搜索关键字。
Aho-Corasick 的实现可用 here .
我已经使用 Github 的实现编写了一个简单的程序来测试最坏情况下的性能(即,当文本中不存在任何关键字时),以将 Aho-Corasick 与 Contains()
进行比较。 ):
using System;
using System.Collections.Generic;
using System.Diagnostics;
using System.Linq;
using System.Text;
using ConsoleApp1;
namespace Demo
{
class Program
{
static void Main()
{
string[] needles = createNeedles(1500).ToArray();
string haystack = createHaystack(100000);
var sw = Stopwatch.StartNew();
anyViaContains(needles, haystack);
Console.WriteLine("anyViaContains() took " + sw.Elapsed);
sw.Restart();
anyViaAhoCorasick(needles, haystack);
Console.WriteLine("anyViaAhoCorasick() took " + sw.Elapsed);
}
static bool anyViaContains(string[] needles, string haystack)
{
return needles.Any(haystack.Contains);
}
static bool anyViaAhoCorasick(string[] needles, string haystack)
{
var trie = new Trie();
trie.Add(needles);
trie.Build();
return trie.Find(haystack).Any();
}
static IEnumerable<string> createNeedles(int n)
{
for (int i = 0; i < n; ++i)
yield return n + "." + n + "." + n;
}
static string createHaystack(int n)
{
var sb = new StringBuilder();
for (int i = 0; i < n; ++i)
sb.AppendLine("Sample Text Sample Text Sample Text Sample Text Sample Text Sample Text Sample Text Sample Text");
return sb.ToString();
}
}
}
我获得的 64 位 RELEASE 构建(在调试器外部运行)的结果如下:
anyViaContains() took 00:00:09.8216836
anyViaAhoCorasick() took 00:00:00.4002765
对于此测试用例,Aho-Corasick 似乎比使用 Contains()
快 25 倍左右.但是,这是一个有点人为的测试用例,您的实际结果可能会有所不同。您应该使用实际数据进行检测,看看它是否真的有帮助。
请注意,在使用 Aho-Corasick 实现时实际上可以避免将整个文件加载到内存中,因为它是 Find()
方法接受 IEnumerable<char>
.
你可以把一个文件的内容变成一个IEnumerable<char>
如下:
var chars = File.ReadLines(filename).SelectMany(line => line);
这实际上删除了所有换行符,这对您的应用程序来说可能没问题。如果你想保留换行符,你必须像这样把它们放回去:
IEnumerable<char> newline = Enumerable.Repeat('\n', 1);
var chars = File.ReadLines(filename).SelectMany(line => Enumerable.Concat(line, newline));
将每个文件完全加载到内存中与枚举每个文件中的字符(如上所述)进行比较以查看是否有任何区别是值得的。对于非常大的文件,避免将其全部内容加载到内存中可能很重要。
关于c# 在所有文件中最快的字符串搜索,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/46339057/