Я пытаюсь преобразовать некоторый код из Python в С++, чтобы получить немного скорости и обострить свои ржавые навыки С++. Вчера я был потрясен, когда наивная реализация строк чтения из stdin была намного быстрее в Python, чем С++ (см. this). Сегодня я, наконец, понял, как разбить строку на С++ с слиянием разделителей (аналогичная семантика на python split()), и теперь я испытываю дежавю! Мой код на С++ занимает гораздо больше времени, чтобы выполнить работу (хотя и не на порядок больше, как это было в случае вчерашнего урока).
Код Python:
#!/usr/bin/env python
from __future__ import print_function
import time
import sys
count = 0
start_time = time.time()
dummy = None
for line in sys.stdin:
dummy = line.split()
count += 1
delta_sec = int(time.time() - start_time)
print("Python: Saw {0} lines in {1} seconds. ".format(count, delta_sec), end='')
if delta_sec > 0:
lps = int(count/delta_sec)
print(" Crunch Speed: {0}".format(lps))
else:
print('')
Код С++:
#include <iostream>
#include <string>
#include <sstream>
#include <time.h>
#include <vector>
using namespace std;
void split1(vector<string> &tokens, const string &str,
const string &delimiters = " ") {
// Skip delimiters at beginning
string::size_type lastPos = str.find_first_not_of(delimiters, 0);
// Find first non-delimiter
string::size_type pos = str.find_first_of(delimiters, lastPos);
while (string::npos != pos || string::npos != lastPos) {
// Found a token, add it to the vector
tokens.push_back(str.substr(lastPos, pos - lastPos));
// Skip delimiters
lastPos = str.find_first_not_of(delimiters, pos);
// Find next non-delimiter
pos = str.find_first_of(delimiters, lastPos);
}
}
void split2(vector<string> &tokens, const string &str, char delim=' ') {
stringstream ss(str); //convert string to stream
string item;
while(getline(ss, item, delim)) {
tokens.push_back(item); //add token to vector
}
}
int main() {
string input_line;
vector<string> spline;
long count = 0;
int sec, lps;
time_t start = time(NULL);
cin.sync_with_stdio(false); //disable synchronous IO
while(cin) {
getline(cin, input_line);
spline.clear(); //empty the vector for the next line to parse
//I'm trying one of the two implementations, per compilation, obviously:
// split1(spline, input_line);
split2(spline, input_line);
count++;
};
count--; //subtract for final over-read
sec = (int) time(NULL) - start;
cerr << "C++ : Saw " << count << " lines in " << sec << " seconds." ;
if (sec > 0) {
lps = count / sec;
cerr << " Crunch speed: " << lps << endl;
} else
cerr << endl;
return 0;
//compiled with: g++ -Wall -O3 -o split1 split_1.cpp
Обратите внимание, что я пробовал две разные реализации разнесения. One (split1) использует строковые методы для поиска токенов и может объединять несколько токенов, а также обрабатывать многочисленные токены (это происходит от здесь), Второй (split2) использует getline для чтения строки в виде потока, не объединяет разделители и поддерживает только один символ деминера (тот был опубликован несколькими пользователями StackOverflow в ответах на вопросы о разделении строк).
Я запускал это несколько раз в разных порядках. Моя тестовая машина - Macbook Pro (2011, 8 ГБ, Quad Core), но это не так важно. Я тестирую текстовый файл с 20-миллиметровой строкой с тремя столбцами, разделенными пробелами, которые выглядят примерно так: "foo.bar 127.0.0.1 home.foo.bar"
Результаты:
$ /usr/bin/time cat test_lines_double | ./split.py
15.61 real 0.01 user 0.38 sys
Python: Saw 20000000 lines in 15 seconds. Crunch Speed: 1333333
$ /usr/bin/time cat test_lines_double | ./split1
23.50 real 0.01 user 0.46 sys
C++ : Saw 20000000 lines in 23 seconds. Crunch speed: 869565
$ /usr/bin/time cat test_lines_double | ./split2
44.69 real 0.02 user 0.62 sys
C++ : Saw 20000000 lines in 45 seconds. Crunch speed: 444444
Что я делаю неправильно? Есть ли лучший способ сделать разбиение строк на С++, который не полагается на внешние библиотеки (то есть без повышения), поддерживает слияние последовательностей разделителей (например, разделение на python), является потокобезопасным (так что ни один strtok) и производительность которого не меньше на уровне python?
Изменить 1/Частичное решение?
Я попытался сделать это более справедливым сравнением, имея python reset список фиктивных файлов и добавляя к нему каждый раз, как это делает С++. Это все еще не совсем то, что делает код С++, но он немного ближе. В принципе, цикл теперь:
for line in sys.stdin:
dummy = []
dummy += line.split()
count += 1
Производительность python теперь примерно такая же, как реализация split1 С++.
/usr/bin/time cat test_lines_double | ./split5.py
22.61 real 0.01 user 0.40 sys
Python: Saw 20000000 lines in 22 seconds. Crunch Speed: 909090
Я все еще удивляюсь, что даже если Python настолько оптимизирован для обработки строк (как предположил Matt Joiner), что эти реализации С++ не будут быстрее. Если у кого-нибудь есть идеи о том, как это сделать более оптимальным образом с использованием С++, поделитесь своим кодом. (Я думаю, что мой следующий шаг будет пытаться реализовать это в чистом C, хотя я не собираюсь компрометировать производительность программиста, чтобы повторно реализовать мой общий проект на C, так что это будет просто эксперимент для скорости разделения строк.)
Спасибо всем за вашу помощь.
Окончательное редактирование/решение:
Пожалуйста, см. одобренный Alf ответ. Поскольку python имеет дело со строками строго по ссылке, а строки STL часто копируются, производительность лучше с реализацией на основе python. Для сравнения, я скомпилировал и выполнил мои данные с помощью кода Alf, и вот производительность на том же компьютере, что и все остальные, по сути, идентичны наивной реализации python (хотя и быстрее, чем реализация python, которая сбрасывает/добавляет список, так как в приведенном выше правиле):
$ /usr/bin/time cat test_lines_double | ./split6
15.09 real 0.01 user 0.45 sys
C++ : Saw 20000000 lines in 15 seconds. Crunch speed: 1333333
Моя единственная небольшая оставшаяся проблема касается количества кода, необходимого для выполнения С++ в этом случае.
Один из уроков здесь из этой проблемы и вчера проблема чтения строк stdin (связанная выше) заключается в том, что всегда нужно ориентироваться вместо того, чтобы делать наивные предположения относительно относительной "дефолтной" работы языков. Я ценю образование.
Еще раз спасибо за ваши предложения!