从 Fortran 格式解析 Rust 中的浮点数

Question

我正在用 Rust 重写一个 C++ 解析器以获取旧的 ASCII 数据格式。这种格式的实数值允许以任何 Fortran 识别的格式存储。不幸的是，Fortran 可以识别 Rust（或大多数其他语言）无法识别的某些格式。例如，值 101.01 可能表示为

• 101.01
• 1.0101E2
• 101.01e0
• 101.01D0
• 101.01d0
• 101.01+0
• 1010.1-1

前三个都是 Rust 原生识别的。其余四个构成挑战。在 C++ 中，我们使用以下例程来解析这些值：

double parse(const std::string& s){
  char* p;
  const double significand = strtod(&s[0], &p);
  const long exponent = (*p == '\0') ? 
                          0 : isalpha(*p) ?
                            strtol(p+1, nullptr) :
                              strtol(p, nullptr);
  return significand * pow(10, exponent);
}

查看 Rust 文档后，标准库似乎没有像 strtod 和 strtol 那样提供部分字符串解析。出于性能原因，我想避免对字符串进行多次传递或使用正则表达式。

Answer 1

这本来是对 Veedrac 的回答的评论，但评论有点长。

正如 Veedrac 解释的那样，准确地解析浮点数是困难。标准库中的实现是完全准确的，并且优化得相当好。特别是，对于天真的算法起作用的大多数输入，它并不比天真的不准确算法慢多少。你应该使用它。完全免责声明：我写的。

我不同意 Veedrac 的地方是，如果您想重用该代码，该如何进行。从标准库中删除它是一个坏主意。它非常庞大，大约有 2.5k 行代码，并且它仍然偶尔会更改/改进——尽管很少而且大部分是以非常小的方式进行的。但总有一天我会找到时间重写缓慢的路径以变得更好更快，承诺。 如果您撕掉了这段代码，您将不得不采用core::num::dec2flt 模块并修改parse 子模块以识别其他指数。当然，您不会自动从未来的改进中受益，如果您对性能感兴趣，那就太可惜了。

最明智的方法是将其他格式转换为 Rust 支持的格式。如果它是 d、D 或裸 +，您可以简单地将其替换为 e 并将其传递给 string 。只有在1010.1-1 的情况下，您才需要插入e 并移动字符串的指数部分。这不应该花费太多性能。浮点字符串很短（最多 20 个字节左右，通常更少），并且实际的转换工作在每个字节中完成了大量的工作。对于您的 C++ 代码也是如此，因为 strtod is accurate in glibc too.或者至少它正在尝试这样做，它无法修复围绕它构建的 ad hoc 算法。无论如何，它正在尝试。

另一种可能性是使用 FFI 调用 C 的strtod。使用libc crate 并致电libc::strtod。这需要一些扭曲才能从&str 转换为指向c_char 的原始指针，并且它会糟糕地处理内部0 字节，但是您显示的代码无论如何都不是非常健壮。这将允许您将算法转换为具有相同性能和语义以及（不）准确性的 Rust。

Answer 2

您在 C++ 中的示例没有给出完全准确的结果，但 Rust 的浮点解析 is intended to be perfectly accurate, and as such has slower parsing than you might need。

如果您手动实现近似解析，它可能会比任何其他可用技术更快。我在本地进行的一项快速测试表明，您可以轻松地将标准库的 parse 方法的性能提高 5 倍。

如果您希望进行精确解析，那么您的 C++ 代码是不够的。预解析（例如，使用 Regex）可能是最简单的方法，但您也可以从标准库中提取代码并对其进行修改。