c++ - 如何在 C++ 中快速安全地从文本文件中读取超长行？

标签 c++ performance

有一个 6.53 GiB 的大文本文件。它的每一行都可以是数据行或注释行。注释行通常很短，少于 80 个字符，而数据行包含超过 200 万个字符并且是可变长度的。

考虑到每个数据行都需要作为一个单元来处理，有没有一种简单的方法可以在 C++ 中安全快速地读取行？

safe(可变长度数据线安全):该解决方案与std::getline()一样易于使用.由于长度在变化，希望避免额外的内存管理。

快:解决方案最快可达readline()在 python 3.6.0 , 甚至和 fgets() 一样快的 stdio.h .

欢迎使用纯 C 解决方案。在 C 和 C++ 中都提供了用于进一步处理的接口(interface)。

更新 1:感谢来自 Basile Starynkevitch 的简短但宝贵的评论，完美的解决方案来了: POSIX getline() .由于进一步的处理只涉及从字符到数字的转换，并没有使用字符串类的许多特性，因此在这个应用程序中一个字符数组就足够了。

更新 2:感谢来自 Zulan 的评论和 Galik ，他们都报告了 std::getline() 中的可比性能, fgets()和 POSIX getline() ，另一种可能的解决方案是使用更好的标准库实现，例如 libstdc++ .此外，这里有一个 report声称 std::getline 的 Visual C++ 和 libc++ 实现没有很好地优化。

从 libc++ 移动至 libstdc++改变了很多结果。在不同平台上使用 libstdc++ 3.4.13/Linux 2.6.32，POSIX getline() , std::getline()和 fgets()显示可比较的性能。一开始，代码在 Xcode 8.3.2 (8E2002) 的默认 clang 设置下运行，因此 libc++被使用。

更多细节和一些努力(很长):

getline()的 <string>可以处理任意长行但有点慢。 readline() 在 C++ 中是否有替代方案？在 python 中？

// benchmark on Mac OS X with libc++ and SSD:
readline() of python                         ~550 MiB/s

fgets() of stdio.h, -O0 / -O2               ~1100 MiB/s

getline() of string, -O0                      ~27 MiB/s
getline() of string, -O2                     ~150 MiB/s
getline() of string + stack buffer, -O2      ~150 MiB/s

getline() of ifstream, -O0 / -O2             ~240 MiB/s
read() of ifstream, -O2                      ~340 MiB/s

wc -l                                        ~670 MiB/s

cat data.txt | ./read-cin-unsync              ~20 MiB/s

getline() of stdio.h (POSIX.1-2008), -O0    ~1300 MiB/s

  • 速度非常粗略地四舍五入，只是为了显示幅度，所有代码块都运行了几次以确保这些值具有代表性。

  • '-O0/-O2' 表示两种优化级别的速度非常相似

  • 代码如下所示。

readline() of python

# readline.py

import time
import os

t_start = time.perf_counter()

fname = 'data.txt'
fin = open(fname, 'rt')

count = 0

while True:
    l = fin.readline()
    length = len(l)
    if length == 0:     # EOF
        break
    if length > 80:     # data line
        count += 1

fin.close()

t_end = time.perf_counter()
time = t_end - t_start

fsize = os.path.getsize(fname)/1024/1024   # file size in MiB
print("speed: %d MiB/s" %(fsize/time))
print("reads %d data lines" %count)

# run as `python readline.py` with python 3.6.0

fgets() of stdio.h

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

int main(int argc, char* argv[]){
  clock_t t_start = clock();

  if(argc != 2) {
    fprintf(stderr, "needs one input argument\n");
    return EXIT_FAILURE;
  }

  FILE* fp = fopen(argv[1], "r");
  if(fp == NULL) {
    perror("Failed to open file");
    return EXIT_FAILURE;
  }

  // maximum length of lines, determined previously by python
  const int SIZE = 1024*1024*3;
  char line[SIZE];

  int count = 0;
  while(fgets(line, SIZE, fp) == line) {
    if(strlen(line) > 80) {
      count += 1;
    }
  }

  clock_t t_end = clock();

  const double fsize = 6685;  // file size in MiB

  double time = (t_end-t_start) / (double)CLOCKS_PER_SEC;

  fprintf(stdout, "takes %.2f s\n", time);
  fprintf(stdout, "speed: %d MiB/s\n", (int)(fsize/time));
  fprintf(stdout, "reads %d data lines\n", count);

  return EXIT_SUCCESS;
}

getline() of <string>

// readline-string-getline.cpp
#include <string>
#include <fstream>
#include <iostream>
#include <ctime>
#include <cstdlib>

using namespace std;

int main(int argc, char* argv[]) {
  clock_t t_start = clock();

  if(argc != 2) {
    fprintf(stderr, "needs one input argument\n");
    return EXIT_FAILURE;
  }

  // manually set the buffer on stack
  const int BUFFERSIZE = 1024*1024*3;   // stack on my platform is 8 MiB
  char buffer[BUFFERSIZE];
  ifstream fin;
  fin.rdbuf()->pubsetbuf(buffer, BUFFERSIZE);
  fin.open(argv[1]);

  // default buffer setting
  // ifstream fin(argv[1]);

  if(!fin) {
    perror("Failed to open file");
    return EXIT_FAILURE;
  }

  // maximum length of lines, determined previously by python
  const int SIZE = 1024*1024*3;
  string line;
  line.reserve(SIZE);

  int count = 0;
  while(getline(fin, line)) {
    if(line.size() > 80) {
      count += 1;
    }
  }

  clock_t t_end = clock();

  const double fsize = 6685;  // file size in MiB

  double time = (t_end-t_start) / (double)CLOCKS_PER_SEC;

  fprintf(stdout, "takes %.2f s\n", time);
  fprintf(stdout, "speed: %d MiB/s\n", (int)(fsize/time));
  fprintf(stdout, "reads %d data lines\n", count);

  return EXIT_SUCCESS;
}

getline() of ifstream

// readline-ifstream-getline.cpp
#include <fstream>
#include <iostream>
#include <ctime>
#include <cstdlib>

using namespace std;

int main(int argc, char* argv[]) {
  clock_t t_start = clock();

  if(argc != 2) {
    fprintf(stderr, "needs one input argument\n");
    return EXIT_FAILURE;
  }

  ifstream fin(argv[1]);
  if(!fin) {
    perror("Failed to open file");
    return EXIT_FAILURE;
  }

  // maximum length of lines, determined previously by python
  const int SIZE = 1024*1024*3;
  char line[SIZE];

  int count = 0;
  while(fin.getline(line, SIZE)) {
    if(strlen(line) > 80) {
      count += 1;
    }
  }

  clock_t t_end = clock();

  const double fsize = 6685;  // file size in MiB

  double time = (t_end-t_start) / (double)CLOCKS_PER_SEC;

  fprintf(stdout, "takes %.2f s\n", time);
  fprintf(stdout, "speed: %d MiB/s\n", (int)(fsize/time));
  fprintf(stdout, "reads %d data lines\n", count);

  return EXIT_SUCCESS;
}

read() of ifstream

// seq-read-bin.cpp
// sequentially read the file to see the speed upper bound of
// ifstream

#include <iostream>
#include <fstream>
#include <ctime>

using namespace std;


int main(int argc, char* argv[]) {
  clock_t t_start = clock();

  if(argc != 2) {
    fprintf(stderr, "needs one input argument\n");
    return EXIT_FAILURE;
  }

  ifstream fin(argv[1], ios::binary);

  const int SIZE = 1024*1024*3;
  char str[SIZE];

  while(fin) {
    fin.read(str,SIZE);
  }

  clock_t t_end = clock();
  double time = (t_end-t_start) / (double)CLOCKS_PER_SEC;

  const double fsize = 6685;  // file size in MiB

  fprintf(stdout, "takes %.2f s\n", time);
  fprintf(stdout, "speed: %d MiB/s\n", (int)(fsize/time));

  return EXIT_SUCCESS;
}

use cat, then read from cin with cin.sync_with_stdio(false)

#include <iostream>
#include <ctime>
#include <cstdlib>

using namespace std;

int main(void) {
  clock_t t_start = clock();

  string input_line;

  cin.sync_with_stdio(false);

  while(cin) {
    getline(cin, input_line);
  }

  double time = (clock() - t_start) / (double)CLOCKS_PER_SEC;

  const double fsize = 6685;  // file size in MiB

  fprintf(stdout, "takes %.2f s\n", time);
  fprintf(stdout, "speed: %d MiB/s\n", (int)(fsize/time));

  return EXIT_SUCCESS;
}

POSIX getline()

// readline-c-getline.c
#include <stdio.h>
#include <stdlib.h>
#include <time.h>

int main(int argc, char *argv[]) {

  clock_t t_start = clock();

  char *line = NULL;
  size_t len = 0;
  ssize_t nread;

  if (argc != 2) {
    fprintf(stderr, "Usage: %s <file>\n", argv[1]);
    exit(EXIT_FAILURE);
  }

  FILE *stream = fopen(argv[1], "r");
  if (stream == NULL) {
    perror("fopen");
    exit(EXIT_FAILURE);
  }

  int length = -1;
  int count = 0;
  while ((nread = getline(&line, &len, stream)) != -1) {
    if (nread > 80) {
      count += 1;
    }
  }

  free(line);
  fclose(stream);

  double time = (clock() - t_start) / (double)CLOCKS_PER_SEC;
  const double fsize = 6685;  // file size in MiB
  fprintf(stdout, "takes %.2f s\n", time);
  fprintf(stdout, "speed: %d MiB/s\n", (int)(fsize/time));
  fprintf(stdout, "reads %d data lines.\n", count);
  // fprintf(stdout, "length of MSA: %d\n", length-1);

  exit(EXIT_SUCCESS);
}

最佳答案

嗯，C 标准库是 C++ 标准库的一个子集。来自 C++ 2014 标准的 n4296 草案:

17.2 The C standard library [library.c]

The C++ standard library also makes available the facilities of the C standard library, suitably adjusted to ensure static type safety.

因此，如果您在评论中解释性能瓶颈需要它，那么在 C++ 程序中使用 fgets 是完全没问题的 - 只是您应该小心地将它封装在实用程序类中，以便保留面向对象的高级结构。

关于c++ - 如何在 C++ 中快速安全地从文本文件中读取超长行？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/44241289/

上一篇：c++ - 'struct ListNode' 类型的空指针内的成员访问

下一篇：c++ - 从 nullptr_t 到 bool : valid or not? 的转换

相关文章：

c++ 客户端代理头文件不是由 gSoap 中的 soapcpp2.exe 生成的

android - 如何在没有监听器的情况下从 Firebase 数据库检索数据？

java - Font.createFont() 的替代方案？

c++ - 如何使用 clang++ 进行编译？

bash - 从多个视频中快速提取多个帧

python - 你如何找到一段 Python 的 CPU 消耗？

java - BigInteger 方法 mod() 性能很差。对于大量的数据是否有更好的权衡？

c++ - 一次性计算的设计模式

c++ - 全局 protobuf 消息

c++ - 如何配置 Visual Studio 不从库中输出警告？

©2024 IT工具网  联系我们