为什么拆分字符串在C++比 Python 慢

作为猜测，Python 字符串是引用计数的不可变字符串，因此在 Python 代码中不会复制任何字符串，而C++ std::string是可变值类型，并且在最小的机会下复制。

如果目标是快速拆分，那么将使用常量时间子字符串操作，这意味着只引用原始字符串的一部分，如在 Python(以及 Java 和 C#...(中一样。

不过，C++ std::string类有一个可兑换的功能：它是标准的，因此它可以用来安全、便携地传递字符串，效率不是主要考虑因素。但是聊天够了。代码 - 在我的机器上，这当然比Python更快，因为Python的字符串处理是用C实现的，C是C++的一个子集(他(：

#include <iostream>                                                              
#include <string>
#include <sstream>
#include <time.h>
#include <vector>
using namespace std;
class StringRef
{
private:
    char const*     begin_;
    int             size_;
public:
    int size() const { return size_; }
    char const* begin() const { return begin_; }
    char const* end() const { return begin_ + size_; }
    StringRef( char const* const begin, int const size )
        : begin_( begin )
        , size_( size )
    {}
};
vector<StringRef> split3( string const& str, char delimiter = ' ' )
{
    vector<StringRef>   result;
    enum State { inSpace, inToken };
    State state = inSpace;
    char const*     pTokenBegin = 0;    // Init to satisfy compiler.
    for( auto it = str.begin(); it != str.end(); ++it )
    {
        State const newState = (*it == delimiter? inSpace : inToken);
        if( newState != state )
        {
            switch( newState )
            {
            case inSpace:
                result.push_back( StringRef( pTokenBegin, &*it - pTokenBegin ) );
                break;
            case inToken:
                pTokenBegin = &*it;
            }
        }
        state = newState;
    }
    if( state == inToken )
    {
        result.push_back( StringRef( pTokenBegin, &*str.end() - pTokenBegin ) );
    }
    return result;
}
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);
        vector<StringRef> const v = split3( 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 -std=c++0x

免责声明：我希望没有任何错误。我没有测试过功能，只是检查了速度。但我认为，即使有一两个错误，纠正它也不会显着影响速度。

提供更好的解决方案(至少在性能方面(，而是提供一些可能有趣的其他数据。

使用 strtok_r(strtok 的可重入变体(：

void splitc1(vector<string> &tokens, const string &str,
        const string &delimiters = " ") {
    char *saveptr;
    char *cpy, *token;
    cpy = (char*)malloc(str.size() + 1);
    strcpy(cpy, str.c_str());
    for(token = strtok_r(cpy, delimiters.c_str(), &saveptr);
        token != NULL;
        token = strtok_r(NULL, delimiters.c_str(), &saveptr)) {
        tokens.push_back(string(token));
    }
    free(cpy);
}

此外，将字符串用于参数，fgets用于输入：

void splitc2(vector<string> &tokens, const char *str,
        const char *delimiters) {
    char *saveptr;
    char *cpy, *token;
    cpy = (char*)malloc(strlen(str) + 1);
    strcpy(cpy, str);
    for(token = strtok_r(cpy, delimiters, &saveptr);
        token != NULL;
        token = strtok_r(NULL, delimiters, &saveptr)) {
        tokens.push_back(string(token));
    }
    free(cpy);
}

而且，在某些情况下，销毁输入字符串是可以接受的：

void splitc3(vector<string> &tokens, char *str,
        const char *delimiters) {
    char *saveptr;
    char *token;
    for(token = strtok_r(str, delimiters, &saveptr);
        token != NULL;
        token = strtok_r(NULL, delimiters, &saveptr)) {
        tokens.push_back(string(token));
    }
}

这些的时间如下(包括我对问题的其他变体和接受的答案的结果(：

split1.cpp:  C++   : Saw 20000000 lines in 31 seconds.  Crunch speed: 645161
split2.cpp:  C++   : Saw 20000000 lines in 45 seconds.  Crunch speed: 444444
split.py:    Python: Saw 20000000 lines in 33 seconds.  Crunch Speed: 606060
split5.py:   Python: Saw 20000000 lines in 35 seconds.  Crunch Speed: 571428
split6.cpp:  C++   : Saw 20000000 lines in 18 seconds.  Crunch speed: 1111111
splitc1.cpp: C++   : Saw 20000000 lines in 27 seconds.  Crunch speed: 740740
splitc2.cpp: C++   : Saw 20000000 lines in 22 seconds.  Crunch speed: 909090
splitc3.cpp: C++   : Saw 20000000 lines in 20 seconds.  Crunch speed: 1000000

如我们所见，从公认的答案中得出的解决方案仍然是最快的。

对于任何想要做进一步测试的人，我还提供了一个 Github 存储库，其中包含问题中的所有程序、接受的答案、这个答案，此外还有一个 Makefile 和一个脚本来生成测试数据：https://github.com/tobbez/string-splitting。

我怀疑这是因为在 push_back(( 函数调用过程中std::vector调整大小的方式。如果您尝试使用std::list或std::vector::reserve()为句子保留足够的空间，您应该会获得更好的性能。或者你可以使用两者的组合，如下所示的 split1((：

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);
    list<string> token_list;
    while (string::npos != pos || string::npos != lastPos) {
        // Found a token, add it to the list
        token_list.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);
    }
    tokens.assign(token_list.begin(), token_list.end());
}

编辑：我看到的另一件明显的事情是，每次都会分配Python变量dummy但不被修改。所以这不是一个与C++的公平比较。您应该尝试修改您的 Python 代码以dummy = []初始化它，然后执行dummy += line.split() 。在此之后，您可以报告运行时吗？

EDIT2：为了使它更加公平，您可以将C++代码中的while循环修改为：

    while(cin) {
        getline(cin, input_line);
        std::vector<string> spline; // create a new vector
        //I'm trying one of the two implementations, per compilation, obviously:
//        split1(spline, input_line);  
        split2(spline, input_line);
        count++;
    };

我认为以下代码更好，使用一些 C++17 和 C++14 功能：

// These codes are un-tested when I write this post, but I'll test it
// When I'm free, and I sincerely welcome others to test and modify this
// code.
// C++17
#include <istream>     // For std::istream.
#include <string_view> // new feature in C++17, sizeof(std::string_view) == 16 in libc++ on my x86-64 debian 9.4 computer.
#include <string>
#include <utility>     // C++14 feature std::move.
template <template <class...> class Container, class Allocator>
void split1(Container<std::string_view, Allocator> &tokens, 
            std::string_view str,
            std::string_view delimiter = " ") 
{
    /* 
     * The model of the input string:
     *
     * (optional) delimiter | content | delimiter | content | delimiter| 
     * ... | delimiter | content 
     *
     * Using std::string::find_first_not_of or 
     * std::string_view::find_first_not_of is a bad idea, because it 
     * actually does the following thing:
     * 
     *     Finds the first character not equal to any of the characters 
     *     in the given character sequence.
     * 
     * Which means it does not treeat your delimiters as a whole, but as
     * a group of characters.
     * 
     * This has 2 effects:
     *
     *  1. When your delimiters is not a single character, this function
     *  won't behave as you predicted.
     *
     *  2. When your delimiters is just a single character, the function
     *  may have an additional overhead due to the fact that it has to 
     *  check every character with a range of characters, although 
     * there's only one, but in order to assure the correctness, it still 
     * has an inner loop, which adds to the overhead.
     *
     * So, as a solution, I wrote the following code.
     *
     * The code below will skip the first delimiter prefix.
     * However, if there's nothing between 2 delimiter, this code'll 
     * still treat as if there's sth. there.
     *
     * Note: 
     * Here I use C++ std version of substring search algorithm, but u
     * can change it to Boyer-Moore, KMP(takes additional memory), 
     * Rabin-Karp and other algorithm to speed your code.
     * 
     */
    // Establish the loop invariant 1.
    typename std::string_view::size_type 
        next, 
        delimiter_size = delimiter.size(),  
        pos = str.find(delimiter) ? 0 : delimiter_size;
    // The loop invariant:
    //  1. At pos, it is the content that should be saved.
    //  2. The next pos of delimiter is stored in next, which could be 0
    //  or std::string_view::npos.
    do {
        // Find the next delimiter, maintain loop invariant 2.
        next = str.find(delimiter, pos);
        // Found a token, add it to the vector
        tokens.push_back(str.substr(pos, next));
        // Skip delimiters, maintain the loop invariant 1.
        //
        // @ next is the size of the just pushed token.
        // Because when next == std::string_view::npos, the loop will
        // terminate, so it doesn't matter even if the following 
        // expression have undefined behavior due to the overflow of 
        // argument.
        pos = next + delimiter_size;
    } while(next != std::string_view::npos);
}   
template <template <class...> class Container, class traits, class Allocator2, class Allocator>
void split2(Container<std::basic_string<char, traits, Allocator2>, Allocator> &tokens, 
            std::istream &stream,
            char delimiter = ' ')
{
    std::string<char, traits, Allocator2> item;
    // Unfortunately, std::getline can only accept a single-character 
    // delimiter.
    while(std::getline(stream, item, delimiter))
        // Move item into token. I haven't checked whether item can be 
        // reused after being moved.
        tokens.push_back(std::move(item));
}

容器的选择：

1. std::vector .

   假设分配的内部数组的初始大小为 1，最终大小为 N，您将分配和解除分配 log2(N( 次，您将复制 (2 ^ (log2(N( + 1( = (2N - 1( 次。正如 std：：vector 的性能不佳是由于没有调用 realloc 对数次数吗？中指出的，当向量的大小不可预测并且可能非常大时，这可能会有较差的性能。但是，如果你能估计它的大小，这将不是一个问题。

2. std::list .

   对于每个push_back，它消耗的时间是一个常数，但它在单个push_back上可能比 std：：vector 花费更多的时间。使用每线程内存池和自定义分配器可以缓解此问题。

3. std::forward_list .

   与 std：：list 相同，但每个元素占用的内存更少。由于缺少 API push_back，需要包装类才能工作。

4. std::array .

   如果你能知道增长的极限，那么你就可以使用 std：：array。当然，你不能直接使用它，因为它没有 API push_back。但是你可以定义一个包装器，我认为这是最快的方法，如果你的估计非常准确，可以节省一些内存。

5. std::deque .

   此选项允许您以内存换取性能。不会有元素的 (2 ^ (N + 1( - 1( 倍副本，只有 N 次分配，并且没有释放。此外，您将拥有恒定的随机访问时间，并且能够在两端添加新元素。

根据 std：:d eque-cpp偏好

另一方面，deques 通常具有较大的最小内存成本; 仅持有一个元素的 Deque 必须分配其完整的内部数组 (例如，在 64 位 libstdc++ 上是对象大小的 8 倍;是对象大小的 16 倍 或 4096 字节，以较大者为准，在 64 位 libc++ 上(

或者您可以使用以下组合：

1. std::vector< std::array<T, 2 ^ M> >

   这类似于std：:d eque，区别只是这个容器不支持在前面添加元素。但它的性能仍然更快，因为它不会复制底层 std：：array (2 ^ (N + 1( - 1( 次，它只会复制指针数组 (2 ^ (N - M + 1( - 1( 次，并且仅在电流已满且不需要释放任何东西时才分配新数组。顺便说一下，您可以获得恒定的随机访问时间。

2. std::list< std::array<T, ...> >

   大大缓解记忆框架的压力。它只会在电流已满时分配新数组，并且不需要复制任何内容。您仍然需要为与组合 1 相比的额外指针付出代价。

3. std::forward_list< std::array<T, ...> >

   与

   2 相同，但消耗的内存与组合 1 相同。

你错误地假设你选择的C++实现必然比Python的更快。Python 中的字符串处理经过高度优化。有关更多信息，请参阅此问题：为什么 std：：string 操作执行不佳？

如果您采用 split1 实现并更改签名以更匹配 split2，请通过更改以下内容：

void split1(vector<string> &tokens, const string &str, const string &delimiters = " ")

对此：

void split1(vector<string> &tokens, const string &str, const char delimiters = ' ')

在 split1 和 split2 之间，你会得到更显著的差异，以及更公平的比较：

split1  C++   : Saw 10000000 lines in 41 seconds.  Crunch speed: 243902
split2  C++   : Saw 10000000 lines in 144 seconds.  Crunch speed: 69444
split1' C++   : Saw 10000000 lines in 33 seconds.  Crunch speed: 303030

void split5(vector<string> &tokens, const string &str, char delim=' ') {
    enum { do_token, do_delim } state = do_delim;
    int idx = 0, tok_start = 0;
    for (string::const_iterator it = str.begin() ; ; ++it, ++idx) {
        switch (state) {
            case do_token:
                if (it == str.end()) {
                    tokens.push_back (str.substr(tok_start, idx-tok_start));
                    return;
                }
                else if (*it == delim) {
                    state = do_delim;
                    tokens.push_back (str.substr(tok_start, idx-tok_start));
                }
                break;
            case do_delim:
                if (it == str.end()) {
                    return;
                }
                if (*it != delim) {
                    state = do_token;
                    tok_start = idx;
                }
                break;
        }
    }
}

我怀疑这与 Python 中 sys.stdin 上的缓冲有关，但在 C++ 实现中没有缓冲。

有关如何更改缓冲区大小的详细信息，请参阅此帖子，然后再次尝试比较：为 sys.stdin(标准(设置较小的缓冲区大小？