在 C++ 中快速读取文本文件

Question

我目前正在用 C++ 编写一个程序，其中包括读取大量大型文本文件。每个都有约 400.000 行，在极端情况下，每行有 4000 个或更多字符。只是为了测试，我使用 ifstream 和 cplusplus.com 提供的实现读取了其中一个文件。花了大约60秒，这太长了。现在我想知道，有没有一种直接的方法可以提高阅读速度？

编辑： 我使用的代码或多或少是这样的：

string tmpString;
ifstream txtFile(path);
if(txtFile.is_open())
{
    while(txtFile.good())
    {
        m_numLines++;
        getline(txtFile, tmpString);
    }
    txtFile.close();
}

编辑 2：我读取的文件只有 82 MB 大。我主要说它可以达到4000，因为我认为可能需要知道才能进行缓冲。

编辑3：谢谢大家的回答，但鉴于我的问题，似乎没有太大的改进空间。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会使读取速度更快。我会尽可能多地并行化它，至少应该可以。

编辑 4：显然有些事情我可以做到。非常感谢你花这么多时间在这件事上，我非常感谢！ =)

Answer 1

更新：请务必查看初始答案下方的（令人惊讶的）更新

---

内存映射文件对我很有帮助¹：

#include <boost/iostreams/device/mapped_file.hpp> // for mmap
#include <algorithm>  // 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, '\n', l-f))))
            m_numLines++, f++;

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

这应该很快。

更新

如果它可以帮助您测试这种方法，这里有一个版本 using mmap 直接代替使用 Boost：see it live on Coliru

#include <algorithm>
#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, '\n', l-f))))
            m_numLines++, f++;

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

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，我发现了最后一点性能。令我惊讶的是，使用以下改编自 wc 的（非常简化的）代码在上面的内存映射文件中运行的时间大约为 84%：

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, '\n', (buf + bytes_read) - p)); ++p)
            ++lines;
    }

    return lines;
}

---

¹ 参见例如这里的基准：How to parse space-separated floats in C++ quickly?

Answer 2

4000 * 400,000 = 1.6 GB 如果您的硬盘驱动器不是 SSD，您可能会获得约 100 MB/s 的顺序读取。仅在 I/O 中就是 16 秒。

由于您没有详细说明您使用的具体代码或您需要如何解析这些文件（您是否需要逐行读取它，系统是否有很多 RAM，您可以将整个文件读入一个大的 RAM 缓冲区，然后解析它？）您几乎无法加快处理速度。

按顺序读取文件时，内存映射文件不会提供任何性能改进。也许手动解析大块以获得新行而不是使用“getline”会提供改进。

编辑在做了一些学习之后（感谢@sehe）。这是我可能会使用的内存映射解决方案。

#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 != '\n' && cntr < sb.st_size) {
            data++;
            cntr++;
            lineLen++;
        }
        /***** PROCESS LINE *****/
        // ... processLine(line, lineLen);
    }
    return 0;
}

Answer 3

Neil Kirk，很遗憾，我无法回复您的评论（声誉不足），但我对 ifstream 和 stringstream 进行了性能测试，逐行读取文本文件的性能完全相同。

std::stringstream stream;
std::string line;
while(std::getline(stream, line)) {
}

对于 106MB 的文件，这需要 1426 毫秒。

std::ifstream stream;
std::string line;
while(ifstream.good()) {
    getline(stream, line);
}

在同一个文件上这需要 1433 毫秒。

以下代码反而更快：

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

在同一个文件上这需要 884 毫秒。 这有点棘手，因为您必须设置缓冲区的最大大小（即输入文件中每一行的最大长度）。

Answer 4

作为有一点竞争编程背景的人，我可以告诉你：至少对于像整数解析这样简单的事情，C 中的主要成本是锁定文件流（这在默认情况下是为多线程完成的）。请改用unlocked_stdio 版本（fgetc_unlocked()、fread_unlocked()）。对于 C++，常见的知识是使用 std::ios::sync_with_stdio(false)，但我不知道它是否和 unlocked_stdio 一样快。

这里是我的标准整数解析代码供参考。它比 scanf 快 很多，正如我所说的，主要是因为没有锁定流。对我来说，它与我以前使用的最好的手动编码 mmap 或自定义缓冲版本一样快，而且没有疯狂的维护债务。

int readint(void)
{
        int n, c;
        n = getchar_unlocked() - '0';
        while ((c = getchar_unlocked()) > ' ')
                n = 10*n + c-'0';
        return n;
}

（注意：这仅适用于任意两个整数之间恰好有一个非数字字符）。

如果可能的话当然要避免内存分配...

Answer 5

您必须同时读取所有文件吗？ （例如在您的应用程序开始时）

如果这样做，请考虑并行化操作。

无论哪种方式，请考虑使用二进制流，或对数据块使用未提供的read。

Answer 6

使用Random file access 或使用binary mode。对于顺序，这很大，但仍然取决于您正在阅读的内容。