我有一个大文件,它本质上包含如下数据:
Netherlands,Noord-holland,Amsterdam,FooStreet,1,...,...
Netherlands,Noord-holland,Amsterdam,FooStreet,2,...,...
Netherlands,Noord-holland,Amsterdam,FooStreet,3,...,...
Netherlands,Noord-holland,Amsterdam,FooStreet,4,...,...
Netherlands,Noord-holland,Amsterdam,FooStreet,5,...,...
Netherlands,Noord-holland,Amsterdam,BarRoad,1,...,...
Netherlands,Noord-holland,Amsterdam,BarRoad,2,...,...
Netherlands,Noord-holland,Amsterdam,BarRoad,3,...,...
Netherlands,Noord-holland,Amsterdam,BarRoad,4,...,...
Netherlands,Noord-holland,Amstelveen,BazDrive,1,...,...
Netherlands,Noord-holland,Amstelveen,BazDrive,2,...,...
Netherlands,Noord-holland,Amstelveen,BazDrive,3,...,...
Netherlands,Zuid-holland,Rotterdam,LoremAve,1,...,...
Netherlands,Zuid-holland,Rotterdam,LoremAve,2,...,...
Netherlands,Zuid-holland,Rotterdam,LoremAve,3,...,...
...
这是一个多千兆字节的文件。我有一个类读取此文件并将这些行(记录)公开为
IEnumerable<MyObject>
.此 MyObject
有几个属性( Country
, Province
, City
,...)等。如您所见,存在大量重复数据。我想继续将底层数据公开为
IEnumerable<MyObject>
.但是,其他一些类可能(并且可能会)对此数据进行一些分层 View /结构,例如:Netherlands
Noord-holland
Amsterdam
FooStreet [1, 2, 3, 4, 5]
BarRoad [1, 2, 3, 4]
...
Amstelveen
BazDrive [1, 2, 3]
...
...
Zuid-holland
Rotterdam
LoremAve [1, 2, 3]
...
...
...
...
在阅读此文件时,我基本上是这样做的:
foreach (line in myfile) {
fields = line.split(",");
yield return new MyObject {
Country = fields[0],
Province = fields[1],
City = fields[2],
Street = fields[3],
//...other fields
};
}
现在,到手头的实际问题:我 可以 使用
string.Intern()
实习国家、省、城市和街道字符串(这些是主要的“恶棍”,MyObject
有几个与问题无关的其他属性)。foreach (line in myfile) {
fields = line.split(",");
yield return new MyObject {
Country = string.Intern(fields[0]),
Province = string.Intern(fields[1]),
City = string.Intern(fields[2]),
Street = string.Intern(fields[3]),
//...other fields
};
}
当将整个数据集保存在内存中时,这将节省大约 42% 的内存(经过测试和测量),因为所有重复的字符串都将引用同一个字符串。另外,当用很多LINQ的
.ToDictionary()
创建层次结构时方法 resp 的键(国家、省等)。字典会更有效率。但是,使用
string.Intern()
的缺点之一(除了性能略有下降,这不是问题)。是字符串 won't be garbage collected anymore .但是当我处理完我的数据时,我确实希望垃圾收集所有这些东西(最终)。I could use a
Dictionary<string, string>
to 'intern' this data但我不喜欢拥有 key
的“开销”和 value
实际上,我只对 key
感兴趣.我可以设置 value
至 null
或者使用与 value 相同的字符串(这将导致 key
和 value
中的引用相同)。只需要支付几个字节的小代价,但它仍然是一个代价。有点像
HashSet<string>
对我来说更有意义。但是,我无法获得对 HashSet 中字符串的引用;我可以查看 HashSet 是否包含特定字符串,但无法获得对 HashSet 中所定位字符串的该特定实例的引用。 I could implement my own HashSet
for this ,但我想知道您喜欢 StackOverflowers 可能想出的其他解决方案。要求:
IEnumerable<MyObject>
string.Intern()
)来优化内存使用 MyObject
类(Class)不能改变;我不会做 City
类(class),Country
类等并有 MyObject
将这些公开为属性而不是简单的 string
属性(property)Country
中的大部分重复字符串来提高(更多)内存效率。 , Province
, City
等等。;这是如何实现的(例如字符串实习、内部哈希集/集合/某物的结构)并不重要。但是:这更像是一个“理论”问题;我问这纯粹是出于好奇/兴趣。没有“真正的”问题,但我可以看到,在类似的情况下,这对某人来说可能是个问题。
例如:我可以做这样的事情:
public class StringInterningObject
{
private HashSet<string> _items;
public StringInterningObject()
{
_items = new HashSet<string>();
}
public string Add(string value)
{
if (_items.Add(value))
return value; //New item added; return value since it wasn't in the HashSet
//MEH... this will quickly go O(n)
return _items.First(i => i.Equals(value)); //Find (and return) actual item from the HashSet and return it
}
}
但是对于大量(要删除重复的)字符串,这将很快陷入困境。我可以看看 reference source for HashSet或 Dictionary或者...并构建一个类似的类,它不会为
Add()
返回 bool方法,但在内部/存储桶中找到的实际字符串。到目前为止,我能想到的最好的东西是:
public class StringInterningObject
{
private ConcurrentDictionary<string, string> _items;
public StringInterningObject()
{
_items = new ConcurrentDictionary<string, string>();
}
public string Add(string value)
{
return _items.AddOrUpdate(value, value, (v, i) => i);
}
}
这有一个“惩罚”,即拥有一个 key 和一个值,而我实际上只对 key 感兴趣。虽然只有几个字节,付出的代价很小。巧合的是,这也减少了 42% 的内存使用量;与使用
string.Intern()
时的结果相同产量。tolanj came up with System.Xml.NameTable :
public class StringInterningObject
{
private System.Xml.NameTable nt = new System.Xml.NameTable();
public string Add(string value)
{
return nt.Add(value);
}
}
(我删除了 lock and string.Empty check (后者自 NameTable already does that ))
xanatos came up with a CachingEqualityComparer :
public class StringInterningObject
{
private class CachingEqualityComparer<T> : IEqualityComparer<T> where T : class
{
public System.WeakReference X { get; private set; }
public System.WeakReference Y { get; private set; }
private readonly IEqualityComparer<T> Comparer;
public CachingEqualityComparer()
{
Comparer = EqualityComparer<T>.Default;
}
public CachingEqualityComparer(IEqualityComparer<T> comparer)
{
Comparer = comparer;
}
public bool Equals(T x, T y)
{
bool result = Comparer.Equals(x, y);
if (result)
{
X = new System.WeakReference(x);
Y = new System.WeakReference(y);
}
return result;
}
public int GetHashCode(T obj)
{
return Comparer.GetHashCode(obj);
}
public T Other(T one)
{
if (object.ReferenceEquals(one, null))
{
return null;
}
object x = X.Target;
object y = Y.Target;
if (x != null && y != null)
{
if (object.ReferenceEquals(one, x))
{
return (T)y;
}
else if (object.ReferenceEquals(one, y))
{
return (T)x;
}
}
return one;
}
}
private CachingEqualityComparer<string> _cmp;
private HashSet<string> _hs;
public StringInterningObject()
{
_cmp = new CachingEqualityComparer<string>();
_hs = new HashSet<string>(_cmp);
}
public string Add(string item)
{
if (!_hs.Add(item))
item = _cmp.Other(item);
return item;
}
}
(稍微修改以“适合”我的“Add() 接口(interface)”)
根据 Henk Holterman's request :
public class StringInterningObject
{
private Dictionary<string, string> _items;
public StringInterningObject()
{
_items = new Dictionary<string, string>();
}
public string Add(string value)
{
string result;
if (!_items.TryGetValue(value, out result))
{
_items.Add(value, value);
return value;
}
return result;
}
}
我只是想知道是否有一种更整洁/更好/更酷的方法来“解决”我的(不是那么实际的)问题。现在我有足够的选择,我想
以下是我为一些简单、简短的初步测试得出的一些数字:
非优化内存:~4,5Gb 加载时间:~52s
StringInterningObject(见上文,
ConcurrentDictionary
变体)内存:~2,6GbLoad 时间:~49sstring.Intern() 内存:~2,3Gb 加载时间:~45s
System.Xml.NameTable内存:~2,3Gb加载时间:~41s
CachingEqualityComparer内存:~2,3Gb加载时间:~58s
StringInterningObject(见上文,(非并发)
Dictionary
变体)根据 Henk Holterman's request :内存:~2,3Gb加载时间:~39s虽然数字不是很确定,但似乎非优化版本的许多内存分配实际上比使用
string.Intern()
慢得多。或以上 StringInterningObject
s 导致(稍微)更长的加载时间。另外,string.Intern()
似乎“赢”来自 StringInterningObject
但幅度不大; << 查看更新。
最佳答案
我确实有这个要求,并且确实在 SO 上提出过要求,但是没有像您的问题的详细信息那样,没有有用的答复。内置的一个选项是 (System.Xml).NameTable ,它基本上是一个字符串原子化对象,这就是您正在寻找的对象,我们有(我们实际上已经转向实习生,因为我们确实为 App-life 保留了这些字符串)。
if (name == null) return null;
if (name == "") return string.Empty;
lock (m_nameTable)
{
return m_nameTable.Add(name);
}
在私有(private)名称表上
http://referencesource.microsoft.com/#System.Xml/System/Xml/NameTable.cs,c71b9d3a7bc2d2af显示它作为一个简单的哈希表实现,即每个字符串只存储一个引用。
缺点?是完全特定于字符串的。如果您对内存/速度进行交叉测试,我很想看看结果。我们已经在大量使用 System.Xml,如果您不这样做,当然可能看起来不那么自然。
关于c# - 关于字符串实习和替代方案,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/29984839/