【发布时间】：2012-03-11 19:39:18
【问题描述】：
我正在尝试将一些代码从 Python 转换为 C++，以提高一点速度并提高我生疏的 C++ 技能。昨天，当从标准输入读取行的天真实现在 Python 中比 C++ 快得多时，我感到震惊（请参阅this）。今天，我终于弄清楚了如何在 C++ 中使用合并分隔符拆分字符串（类似于 python 的 split() 的语义），我现在正在体验似曾相识的感觉！我的 C++ 代码需要更长的时间才能完成这项工作（尽管没有像昨天课程那样多一个数量级）。
Python 代码：
#!/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('')
C++ 代码：
#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
请注意，我尝试了两种不同的拆分实现。一个（split1）使用字符串方法来搜索标记，并且能够合并多个标记以及处理大量标记（它来自here）。第二个（split2）使用 getline 将字符串作为流读取，不合并分隔符，并且仅支持单个分隔符（该分隔符由多个 StackOverflow 用户在字符串拆分问题的答案中发布）。
我以不同的顺序运行了多次。我的测试机是 Macbook Pro（2011，8GB，四核），这并不重要。我正在测试一个 20M 行的文本文件，其中包含三个以空格分隔的列，每列看起来都类似于：“foo.bar 127.0.0.1 home.foo.bar”
结果：
$ /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
我做错了什么？有没有更好的方法在 C++ 中进行字符串拆分，它不依赖于外部库（即不提升），支持合并分隔符序列（如 python 的拆分），是线程安全的（所以没有 strtok），其性能至少是和python一样吗？
编辑 1 / 部分解决方案？：
我尝试通过让 python 重置虚拟列表并每次都附加到它来使其成为更公平的比较，就像 C++ 所做的那样。这仍然不是 C++ 代码正在做的事情，但它更接近一些。基本上，现在的循环是：
for line in sys.stdin:
dummy = []
dummy += line.split()
count += 1
python 的性能现在与 split1 C++ 实现大致相同。
/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
我仍然感到惊讶的是，即使 Python 对字符串处理进行了如此优化（正如 Matt Joiner 所建议的那样），这些 C++ 实现也不会更快。如果有人对如何使用 C++ 以更优化的方式执行此操作有任何想法，请分享您的代码。 （我认为下一步将尝试在纯 C 中实现这一点，尽管我不会牺牲程序员的生产力来用 C 重新实现我的整个项目，所以这只是一个字符串拆分速度的实验。）
感谢大家的帮助。
最终编辑/解决方案：
请参阅 Alf 接受的答案。由于 python 严格按照引用处理字符串，并且 STL 字符串经常被复制，因此使用 vanilla python 实现的性能更好。为了比较，我通过 Alf 的代码编译并运行了我的数据，这是与所有其他运行在同一台机器上的性能，基本上与天真的 python 实现相同（尽管比重置/附加列表的 python 实现更快，如显示在上面的编辑中）：
$ /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
我唯一剩下的一点抱怨是在这种情况下让 C++ 执行所需的代码量。
从这个问题和昨天的标准输入行阅读问题（上面链接）中得到的一个教训是，人们应该始终进行基准测试，而不是对语言的相对“默认”性能做出幼稚的假设。我很欣赏教育。
再次感谢大家的建议！
【问题讨论】：
-
你是如何编译 C++ 程序的？是否开启了优化？
-
@interjay：在他的源代码中的最后一条评论中：
g++ -Wall -O3 -o split1 split_1.cpp@JJC：当您实际分别使用dummy和spline时，您的基准测试结果如何，也许Python 删除了对line.split()因为它没有副作用？ -
如果去掉分割，只留下标准输入的读取行，你会得到什么结果？
-
Python 是用 C 编写的。这意味着在 C 中有一种有效的方法。也许有比使用 STL 更好的分割字符串的方法？
标签： c++ python string split benchmarking