C++ 与 .NET 正则表达式性能

Question

由 Konrad Rudolph 在 a related question 上的评论提示，我编写了以下程序来对 F# 中的正则表达式性能进行基准测试:

open System.Text.RegularExpressions
let str = System.IO.File.ReadAllText "C:\\Users\\Jon\\Documents\\pg10.txt"
let re = System.IO.File.ReadAllText "C:\\Users\\Jon\\Documents\\re.txt"
for _ in 1..3 do
  let timer = System.Diagnostics.Stopwatch.StartNew()
  let re = Regex(re, RegexOptions.Compiled)
  let res = Array.Parallel.init 4 (fun _ -> re.Split str |> Seq.sumBy (fun m -> m.Length))
  printfn "%A %fs" res timer.Elapsed.TotalSeconds

和 C++ 中的等价物:

#include "stdafx.h"

#include <windows.h>
#include <regex>
#include <vector>
#include <string>
#include <fstream>
#include <cstdio>
#include <codecvt>

using namespace std;

wstring load(wstring filename) {
    const locale empty_locale = locale::empty();
    typedef codecvt_utf8<wchar_t> converter_type;
    const converter_type* converter = new converter_type;
    const locale utf8_locale = locale(empty_locale, converter);
    wifstream in(filename);
    wstring contents;
    if (in)
    {
        in.seekg(0, ios::end);
        contents.resize(in.tellg());
        in.seekg(0, ios::beg);
        in.read(&contents[0], contents.size());
        in.close();
    }
    return(contents);
}

int count(const wstring &re, const wstring &s){
    static const wregex rsplit(re);
    auto rit = wsregex_token_iterator(s.begin(), s.end(), rsplit, -1);
    auto rend = wsregex_token_iterator();
    int count=0;
    for (auto it=rit; it!=rend; ++it)
        count += it->length();
    return count;
}

int _tmain(int argc, _TCHAR* argv[])
{
    wstring str = load(L"pg10.txt");
    wstring re = load(L"re.txt");

    __int64 freq, tStart, tStop;
    unsigned long TimeDiff;
    QueryPerformanceFrequency((LARGE_INTEGER *)&freq);
    QueryPerformanceCounter((LARGE_INTEGER *)&tStart);

    vector<int> res(4);

#pragma omp parallel num_threads(4)
    for(auto i=0; i<res.size(); ++i)
        res[i] = count(re, str);

    QueryPerformanceCounter((LARGE_INTEGER *)&tStop);
    TimeDiff = (unsigned long)(((tStop - tStart) * 1000000) / freq);
    printf("(%d, %d, %d, %d) %fs\n", res[0], res[1], res[2], res[3], TimeDiff/1e6);
    return 0;
}

两个程序都将两个文件加载为 unicode 字符串(我正在使用圣经的拷贝)，构造一个非平凡的 unicode 正则表达式 \w?\w?\w?\w?\w?\w 并使用返回拆分字符串长度总和的正则表达式并行拆分字符串四次(以避免分配)。

在针对 64 位的发布版本中，在 Visual Studio(为 C++ 启用了 MP 和 OpenMP)中运行，C++ 需要 43.5 秒，F# 需要 3.28 秒(快 13 倍以上)。这并不让我感到惊讶，因为我相信 .NET JIT 将正则表达式编译为 native 代码，而 C++ stdlib 对其进行解释，但我想要一些同行评审。

我的 C++ 代码中是否存在性能错误，或者这是编译正则表达式与解释正则表达式的结果？

编辑:Billy ONeal 指出 .NET 可以对 \w 有不同的解释，因此我在新的正则表达式中明确说明了这一点:

[0-9A-Za-z_]?[0-9A-Za-z_]?[0-9A-Za-z_]?[0-9A-Za-z_]?[0-9A-Za-z_]?[0-9A-Za-z_]

这实际上使 .NET 代码更快(C++ 相同)，将 F# 的时间从 3.28 秒减少到 2.38 秒(快了 17 倍以上)。

Answer 1

这些基准实际上没有可比性——C++ 和 .NET 实现完全不同的正则表达式语言(ECMAScript 与 Perl)，并且由完全不同的正则表达式引擎提供支持。 .NET(据我所知)受益于 GRETA project在这里，它产生了一个经过多年调整的绝对出色的正则表达式引擎。相比之下，C++ std::regex 是最近添加的(至少在 MSVC++ 上，我假设您使用的是非标准类型 __int64 和 friend )。

您可以看到 GRETA 与更成熟的 std::regex 实现的对比，boost::regex，here (尽管该测试是在 Visual Studio 2003 上完成的)。

您还应该记住，正则表达式的性能在很大程度上取决于您的源字符串和正则表达式。一些正则表达式引擎花费大量时间解析正则表达式以更快地处理更多源文本；只有在解析大量文本时才有意义的权衡。一些正则表达式引擎以扫描速度为代价来换取相对昂贵的匹配(因此匹配的数量会产生影响)。这里有大量的权衡；一对输入确实会使故事蒙上阴影。

因此，更明确地回答您的问题:这种变化在正则表达式引擎中是正常的，无论是编译的还是解释的。查看上面的 boost 测试，通常最快和最慢的实现之间的差异是数百倍——根据您的用例，17 倍并不奇怪。