关于性能：用c ++快速读取文本文件


Fast textfile reading in c++

我目前正在编写一个C++程序，其中包括阅读大量的大型文本文件。每行有约400.000行，在极端情况下每行有4000个或更多字符。为了测试，我使用ifstream和cplusplus.com提供的实现读取了其中一个文件。大约60秒，太长了。现在我想知道，有没有一个直接的方法来提高阅读速度？

编辑：我使用的代码或多或少是这样的：

1
2
3
4
5
6
7
8
9
10
11
string tmpString;
ifstream txtFile(path);
if(txtFile.is_open())
{
    while(txtFile.good())
    {
        m_numLines++;
        getline(txtFile, tmpString);
    }
    txtFile.close();
}

编辑2：我读到的文件只有82MB大。我主要是说它可以达到4000，因为我认为为了做缓冲可能需要知道。

编辑3：谢谢大家的回答，但考虑到我的问题，似乎没有太多的改进空间。我必须使用readline，因为我想计算行数。将ifstream实例化为二进制文件也不能使读取速度更快。我会尽可能地将其并行化，这至少是可行的。

编辑4：所以很明显我可以做一些事情。非常感谢你花了这么多时间，我非常感谢！=)

相关讨论

更新：确保检查初始答案下的(令人惊讶的)更新

内存映射文件很好地为我服务1：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
#include <boost/iostreams/device/mapped_file.hpp> // for mmap
#include   // for std::find
#include <iostream>   // for std::cout
#include <cstring>

int main()
{
    boost::iostreams::mapped_file mmap("input.txt", boost::iostreams::mapped_file::readonly);
    auto f = mmap.const_data();
    auto l = f + mmap.size();

    uintmax_t m_numLines = 0;
    while (f && f!=l)
        if ((f = static_cast<const char*>(memchr(f, '
', l-f))))
            m_numLines++, f++;

    std::cout <<"m_numLines =" << m_numLines <<"
";
}

这应该相当快。

更新

如果它可以帮助您测试这种方法，这里有一个版本使用mmap，而不是使用boost:see it live on coliru

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
#include
#include <iostream>
#include <cstring>

// for mmap:
#include <sys/mman.h>
#include <sys/stat.h>
#include <fcntl.h>

const char* map_file(const char* fname, size_t& length);

int main()
{
    size_t length;
    auto f = map_file("test.cpp", length);
    auto l = f + length;

    uintmax_t m_numLines = 0;
    while (f && f!=l)
        if ((f = static_cast<const char*>(memchr(f, '
', l-f))))
            m_numLines++, f++;

    std::cout <<"m_numLines =" << m_numLines <<"
";
}

void handle_error(const char* msg) {
    perror(msg);
    exit(255);
}

const char* map_file(const char* fname, size_t& length)
{
    int fd = open(fname, O_RDONLY);
    if (fd == -1)
        handle_error("open");

    // obtain file size
    struct stat sb;
    if (fstat(fd, &sb) == -1)
        handle_error("fstat");

    length = sb.st_size;

    const char* addr = static_cast<const char*>(mmap(NULL, length, PROT_READ, MAP_PRIVATE, fd, 0u));
    if (addr == MAP_FAILED)
        handle_error("mmap");

    // TODO close fd at some point in time, call munmap(...)
    return addr;
}

更新

通过查看gnu coreutils wc的源代码，我可以从中挤出最后一点性能。令我惊讶的是，使用来自wc的以下(大大简化的)代码所花费的时间大约是上述内存映射文件所花费时间的84%：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
static uintmax_t wc(char const *fname)
{
    static const auto BUFFER_SIZE = 16*1024;
    int fd = open(fname, O_RDONLY);
    if(fd == -1)
        handle_error("open");

    /* Advise the kernel of our access pattern.  */
    posix_fadvise(fd, 0, 0, 1);  // FDADVICE_SEQUENTIAL

    char buf[BUFFER_SIZE + 1];
    uintmax_t lines = 0;

    while(size_t bytes_read = read(fd, buf, BUFFER_SIZE))
    {
        if(bytes_read == (size_t)-1)
            handle_error("read failed");
        if (!bytes_read)
            break;

        for(char *p = buf; (p = (char*) memchr(p, '
', (buf + bytes_read) - p)); ++p)
            ++lines;
    }

    return lines;
}

1参见这里的基准：如何快速解析C++中的空间分离浮点？

相关讨论

4000*400000=1.6 GB如果您的硬盘不是一个SSD，您很可能会得到大约100 MB/s的顺序读取。输入输出只有16秒。

由于您没有详细说明您使用的特定代码，或者您需要如何解析这些文件(您需要一行一行地读取它，系统是否有大量的RAM？您可以将整个文件读取到一个大的RAM缓冲区，然后再解析它吗？)你几乎无能为力来加速这个过程。

在按顺序读取文件时，内存映射文件不会提供任何性能改进。也许手动解析新行的大块而不是使用"getline"可以提供改进。

完成一些学习后进行编辑(谢谢@sehe)。这是我可能使用的内存映射解决方案。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
#include <stdio.h>
#include <stdlib.h>
#include <fcntl.h>
#include <unistd.h>
#include <sys/types.h>
#include <sys/mman.h>
#include <sys/stat.h>
#include <errno.h>

int main() {
    char* fName ="big.txt";
    //
    struct stat sb;
    long cntr = 0;
    int fd, lineLen;
    char *data;
    char *line;
    // map the file
    fd = open(fName, O_RDONLY);
    fstat(fd, &sb);
    //// int pageSize;
    //// pageSize = getpagesize();
    //// data = mmap((caddr_t)0, pageSize, PROT_READ, MAP_PRIVATE, fd, pageSize);
    data = mmap((caddr_t)0, sb.st_size, PROT_READ, MAP_PRIVATE, fd, 0);
    line = data;
    // get lines
    while(cntr < sb.st_size) {
        lineLen = 0;
        line = data;
        // find the next line
        while(*data != '
' && cntr < sb.st_size) {
            data++;
            cntr++;
            lineLen++;
        }
        /***** PROCESS LINE *****/
        // ... processLine(line, lineLen);
    }
    return 0;
}
相关讨论

尼尔·柯克，不幸的是，我不能回复你的评论(声誉不够)，但我在ifstream上做了一个性能测试，一行一行地读取文本文件，其性能完全相同。

1
2
3
4
std::stringstream stream;
std::string line;
while(std::getline(stream, line)) {
}

这在106MB文件上需要1426毫秒。

1
2
3
4
5
std::ifstream stream;
std::string line;
while(ifstream.good()) {
    getline(stream, line);
}

这在同一个文件上需要1433毫秒。

以下代码更快：

1
2
3
4
const int MAX_LENGTH = 524288;
char* line = new char[MAX_LENGTH];
while (iStream.getline(line, MAX_LENGTH) && strlen(line) > 0) {
}

这在同一个文件上需要884ms。这有点棘手，因为您必须设置缓冲区的最大大小(即输入文件中每行的最大长度)。

你必须同时读取所有文件吗？(例如，在应用程序的开头)

如果这样做，请考虑将操作并行化。

不管是哪种方式，都可以考虑使用二进制流，或者对数据块进行非缓冲读取。

相关讨论

作为一个在竞争性编程方面有点背景的人，我可以告诉你：至少对于简单的事情，比如整数解析，C中的主要成本是锁定文件流(在默认情况下，多线程是这样做的)。使用unlocked_stdio版本代替(fgetc_unlocked()，fread_unlocked())。对于C++，一般的知识是使用EDCOX1，8，但是我不知道它是否和EDCOX1，5的一样快。

这里是我的标准整数解析代码，供参考。它比scanf快得多，正如我所说，主要是因为没有锁定流。对我来说，它和我以前使用的最好的手工编码的mmap或自定义缓冲版本一样快，没有疯狂的维护债务。

1
2
3
4
5
6
7
8
int readint(void)
{
        int n, c;
        n = getchar_unlocked() - '0';
        while ((c = getchar_unlocked()) > ' ')
                n = 10*n + c-'0';
        return n;
}

(注意：只有当任意两个整数之间正好有一个非数字字符时，此字符才有效)。

当然，尽可能避免内存分配…

使用Random file access或使用binary mode。对于顺序，这是很大的，但仍然取决于你读的是什么。