C++,Qt - 尽可能快地拆分 QByteArray

C++, Qt - splitting a QByteArray as fast as possible

我正在尝试拆分包含 UTF-8 编码纯文本(使用空格作为分隔符)的大量 QByteArray,并尽可能获得最佳性能。我发现如果先将数组转换为 QString 可以获得更好的结果。我尝试使用正则表达式使用 QString.split 函数,但性能非常糟糕。事实证明这段代码更快:

QMutex mutex;
QSet<QString> split(QByteArray body)
{
    QSet<QString>  slova;

    QString s_body = QTextCodec::codecForMib(106)->toUnicode(body);
    QString current;

    for(int i = 0; i< body.size(); i++){
        if(s_body[i] == '\r' || s_body[i] == '\n' || s_body[i] == '\t' || s_body[i] == ' '){

            mutex.lock();
            slova.insert(current);

            mutex.unlock();
            current.clear();
            current.reserve(40);
        } else {
            current.push_back(s_body[i]);
        }
    }
    return slova;
}

"Slova" 目前是 QSet<QString>,但我可以使用 std::set 或任何其他格式。这段代码应该找出数组中有多少个唯一的单词,并尽可能获得最佳性能。

遗憾的是,这段代码的运行速度远远不够快。我想从中挤出绝对最大值。

使用callgrind,我发现最贪吃的内部函数是:

QString::reallocData (18% absolute cost)
QString::append (10% absolute cost)
QString::operator= (8 % absolute cost)
QTextCodec::toUnicode (8% absolute cost)

显然,这与 push_back 函数的内存分配有关。解决这个问题的最佳方法是什么?不一定必须是 Qt 解决方案 - 纯 C 或 C++ 也是可以接受的。

如果我是你,我要做的第一件事就是修改你的代码,这样它就不会为它插入到 QSet 中的任何单词锁定和解锁 QMutex —— 这纯粹是开销。要么只在循环开始时锁定 QMutex 一次,然后在循环终止后再次解锁;或者更好的是,插入到任何其他线程都无法访问的 QSet,这样您根本不需要锁定任何 QMutex。

解决了这个问题后,要做的第二件事就是尽可能多地消除堆分配。理想情况下,您将执行整个解析,而根本不会分配或释放任何动态内存;我下面的实现就是这样做的(好吧,几乎 - unordered_set 可能 会做一些内部分配,但它可能不会)。在我的计算机(2.7GHz Mac Mini)上,我使用 Moby Dick 的古腾堡 ASCII 文本作为我的测试输入,测得处理速度约为每秒 1100 万字。

请注意,由于 UTF-8 使用的向后兼容编码,此程序在使用 UTF-8 或 ASCII 输入时同样可以正常工作。

#include <ctype.h>
#include <stdio.h>
#include <string.h>
#include <sys/time.h>
#include <unordered_set>

// Loads in a text file from disk into an in-memory array
// Expected contents of the file are ASCII or UTF8 (doesn't matter which).
// Note that this function appends a space to the end of the returned array
// That way the parsing function doesn't have to include a special case
// since it is guaranteed that every word in the array ends with whitespace
static char * LoadFile(const char * fileName, unsigned long * retArraySizeBytes)
{
   char * ret = NULL;
   *retArraySizeBytes = 0;

   FILE * fpIn = fopen(fileName, "r");
   if (fpIn)
   {
      if (fseek(fpIn, 0L, SEEK_END) == 0)
      {
         const unsigned long fileSizeBytes  = ftell(fpIn);
         const unsigned long arraySizeBytes = *retArraySizeBytes = fileSizeBytes+1;  // +1 because I'm going to append a space to the end
         rewind(fpIn);

         ret = new char[arraySizeBytes];
         if (fread(ret, 1, fileSizeBytes, fpIn) == fileSizeBytes)
         {
            ret[fileSizeBytes] = ' ';  // appending a space allows me to simplify the parsing step
         }
         else
         {
            perror("fread");
            delete [] ret;
            ret = NULL;
         }
      }
      else perror("fseek");

      fclose(fpIn);
   }
   return ret;
}

// Gotta provide our own equality-testing function otherwise unordered_set will just compare pointer values
struct CharPointersEqualityFunction : public std::binary_function<char *, char *,bool>
{  
    bool operator() (char * s1, char * s2) const {return strcmp(s1, s2) == 0;}
};

// Gotta provide our own hashing function otherwise unordered_set will just hash the pointer values
struct CharPointerHashFunction
{
   int operator() (char * str) const
   {
      // djb2 by Dan Bernstein -- fast enough and simple enough
      unsigned long hash = 5381;
      int c; while((c = *str++) != 0) hash = ((hash << 5) + hash) + c;
      return (int) hash;
   }
};

typedef std::unordered_set<char *, CharPointerHashFunction, CharPointersEqualityFunction > CharPointerUnorderedSet;

int main(int argc, char ** argv)
{
   if (argc < 2)
   {
      printf("Usage:  ./split_words filename\n");
      return 10;
   }    

   unsigned long arraySizeBytes;
   char * buf = LoadFile(argv[1], &arraySizeBytes);
   if (buf == NULL)
   {
      printf("Unable to load input file [%s]\n", argv[1]);
      return 10;
   }

   CharPointerUnorderedSet set;
   set.reserve(100000);  // trying to size (set) big enough that no reallocations will be necessary during the parse

   struct timeval startTime;
   gettimeofday(&startTime, NULL);

   // The actual parsing of the text is done here
   int wordCount = 0;
   char * wordStart = buf;
   char * wordEnd   = buf;
   char * bufEnd    = &buf[arraySizeBytes];
   while(wordEnd < bufEnd)
   {
      if (isspace(*wordEnd))
      {
         if (wordEnd > wordStart)
         {
            *wordEnd = '[=10=]';
            set.insert(wordStart);
            wordCount++;
         }
         wordStart = wordEnd+1;   
      }
      wordEnd++;
   }

   struct timeval endTime;
   gettimeofday(&endTime, NULL);

   unsigned long long startTimeMicros = (((unsigned long long)startTime.tv_sec)*1000000) + startTime.tv_usec;
   unsigned long long endTimeMicros   = (((unsigned long long)  endTime.tv_sec)*1000000) + endTime.tv_usec;
   double secondsElapsed = ((double)(endTimeMicros-startTimeMicros))/1000000.0;

   printf("Parsed %i words (%zu unique words) in %f seconds, aka %.0f words/second\n", wordCount, set.size(), secondsElapsed, wordCount/secondsElapsed);
   //for (const auto& elem: set) printf("word=[%s]\n", elem);

   delete [] buf;
   return 0;
}

正如所怀疑的那样,您的最大成本是在 push_back 中导致频繁重新分配,因为您一次添加一个字符。为什么不提前搜索,然后使用 QString::mid():

一次追加所有数据
slova.insert(s_body.mid(beginPos, i - beginPos - 1));

其中 beginPos 保存当前子字符串开始的索引。不是在将每个字符插入 slova 之前将每个字符附加到 current,而是一次性完成复制。复制子字符串后,向前搜索下一个 valid(不是分隔符)字符并将 beginPos 设置为等于该索引。

在(粗略的)代码中:

QString s_body = ...
//beginPos tells us the index of the current substring we are working 
//with. -1 means the previous character was a separator
int beginPos = -1;
for (...) {
    //basically your if statement provided in the question as a function
    if (isSeparator(s_body[i])) {
         //ignore double white spaces, etc.
         if (beginPos != -1) {
             mutex.lock();
             slova.insert(s_body.mid(beginPos, i - beginPos - 1));
             mutex.unlock();
         }
    } else if (beginPos == -1)
        //if beginPos is not valid and we are not on a separator, we 
        //are at the start of a new substring.
         beginPos = i;
}

这种方法将大大减少堆分配的开销并消除 QString::push_back() 次调用。

最后一点:QByteArray 还提供了 mid() 功能。您可以完全跳过到 QString 的转换并直接使用字节数组。

尽量减少您需要做的复制工作。将输入缓冲区保持为 UTF-8,并且不要在您的集合中存储 std::stringQString;相反,创建一个小的 class 来引用现有的 UTF-8 数据:

#include <QString>

class stringref {
    const char *start;
    size_t length;

public:
    stringref(const char *start, const char *end);
    operator QString() const;
    bool operator<(const stringref& other) const;
};

这可以封装UTF-8输入的一个子串。您需要确保它不会超过输入字符串;您可以通过巧妙地使用 std::shared_ptr 来做到这一点,但如果代码是相当独立的,那么它应该足够易于处理以推断生命周期。

我们可以将它从一对指针构造成我们的 UTF-8 数据,并在我们想要实际使用它时将其转换为 QString

stringref::stringref(const char *start, const char *end)
    : start(start), length(end-start)
{}

stringref::operator QString() const
{
    return QString::fromUtf8(start, length);
}

您需要定义 operator< 以便您可以在 std::set.

中使用它
#include <cstring>
bool stringref::operator<(const stringref& other) const
{
    return length == other.length
        ? std::strncmp(start, other.start, length) < 0
        : length < other.length;
}

请注意,我们在取消引用指针之前按长度排序,以减少缓存影响。


现在我们可以编写split方法:

#include <set>
#include <QByteArray>
std::set<stringref> split(const QByteArray& a)
{
    std::set<stringref> words;

    // start and end
    const auto s = a.data(), e = s + a.length();

    // current word
    auto w = s;

    for (auto p = s;  p <= e;  ++p) {
        switch (*p) {
        default: break;
        case ' ': case '\r': case '\n': case '\t': case '[=13=]':
            if (w != p)
                words.insert({w, p});
            w = p+1;
        }
    }

    return words;
}

该算法几乎是您的算法,添加了 w!=p 测试,这样空白的运行就不会被计算在内。


让我们测试一下,并为重要的部分计时:

#include <QDebug>
#include <chrono>
int main()
{
    QByteArray body{"foo bar baz\n  foo again\nbar again "};
    // make it a million times longer
    for (int i = 0;  i < 20;  ++i)
        body.append(body);

    using namespace std::chrono;
    const auto start = high_resolution_clock::now();

    auto words = split(body);

    const auto end = high_resolution_clock::now();
    qDebug() << "Split"
             << body.length()
             << "bytes in"
             << duration_cast<duration<double>>(end - start).count()
             << "seconds";

    for (auto&& word: words)
        qDebug() << word;
}

我得到:

Split 35651584 bytes in 1.99142 seconds
"bar"
"baz"
"foo"
"again"

使用 -O3 编译将时间减少到 0.6188 秒,所以不要忘记向编译器求助!

如果这仍然不够快,可能是时候开始考虑任务的并行化了。您需要将字符串分成大致相等的长度,但要前进到下一个空白,这样就没有工作会跨越两个线程的工作量。每个线程都应该创建自己的结果集,然后归约步骤就是合并结果集。我不会为此提供完整的解决方案,因为这本身就是另一个问题。