c++ - 访问文件中的单个字符效率低下？ (C++)

Question

我一直认为在处理文本文件时，首先将内容(或其中的一部分)读入 std::string 或 char 数组会更有效，因为——根据我有限的理解——文件被读取从比单个字符大得多的 block 中的内存中提取。但是，我听说现代操作系统实际上通常并不直接从文件中读取数据，这使得我手动缓冲输入几乎没有什么好处。

假设我想确定文本文件中某个字符的数量。以下会不会效率低下？

while (fin.get(ch)) {
    if (ch == 'n')
        ++char_count;
}

当然，我想这取决于文件大小，但有没有人对什么是最佳方法有任何一般规则？

Answer 1

这里很大程度上取决于性能对您/您的应用程序的真正关键程度。这反过来往往取决于您要处理的文件有多大——如果您要处理几十或几百千字节的文件，您通常应该只编写最简单的代码，而不用太担心它 -- 您可以做的任何事情基本上都是瞬时的，因此优化代码不会真正完成很多事情。

另一方面，如果您要处理大量数据——大约数十兆字节或更多，则效率差异可能会变得相当大。除非您采取相当具体的步骤来绕过它(例如使用 read)，否则您的所有读取都将被缓冲——但这并不意味着它们都将是相同的速度(或者甚至必须非常接近相同的速度)。

例如，让我们尝试快速测试几种不同的方法，以从根本上完成您所询问的内容:

#include <stdio.h>
#include <iomanip>
#include <iostream>
#include <iterator>
#include <fstream>
#include <time.h>
#include <string>
#include <algorithm>

unsigned count1(FILE *infile, char c) { 
    int ch;
    unsigned count = 0;

    while (EOF != (ch=getc(infile)))
        if (ch == c)
            ++count;
    return count;
}

unsigned int count2(FILE *infile, char c) { 
    static char buffer[4096];
    int size;
    unsigned int count = 0;

    while (0 < (size = fread(buffer, 1, sizeof(buffer), infile)))
        for (int i=0; i<size; i++)
            if (buffer[i] == c)
                ++count;
    return count;
}

unsigned count3(std::istream &infile, char c) {    
    return std::count(std::istreambuf_iterator<char>(infile), 
                    std::istreambuf_iterator<char>(), c);
}

unsigned count4(std::istream &infile, char c) {    
    return std::count(std::istream_iterator<char>(infile), 
                    std::istream_iterator<char>(), c);
}

template <class F, class T>
void timer(F f, T &t, std::string const &title) { 
    unsigned count;
    clock_t start = clock();
    count = f(t, 'N');
    clock_t stop = clock();
    std::cout << std::left << std::setw(30) << title << "\tCount: " << count;
    std::cout << "\tTime: " << double(stop-start)/CLOCKS_PER_SEC << "\n";
}

int main() {
    char const *name = "test input.txt";

    FILE *infile=fopen(name, "r");

    timer(count1, infile, "ignore");

    rewind(infile);
    timer(count1, infile, "using getc");

    rewind(infile);
    timer(count2, infile, "using fread");

    fclose(infile);

    std::ifstream in2(name);
    in2.sync_with_stdio(false);
    timer(count3, in2, "ignore");

    in2.clear();
    in2.seekg(0);
    timer(count3, in2, "using streambuf iterators");

    in2.clear();
    in2.seekg(0);
    timer(count4, in2, "using stream iterators");

    return 0;
}

我用一个大约 44 兆字节的文件作为输入来运行它。用VC++2012编译时，得到如下结果:

ignore                          Count: 400000   Time: 2.08
using getc                      Count: 400000   Time: 2.034
using fread                     Count: 400000   Time: 0.257
ignore                          Count: 400000   Time: 0.607
using streambuf iterators       Count: 400000   Time: 0.608
using stream iterators          Count: 400000   Time: 5.136

使用相同的输入，但使用 g++ 4.7.1 编译:

ignore                          Count: 400000   Time: 0.359
using getc                      Count: 400000   Time: 0.339
using fread                     Count: 400000   Time: 0.243
ignore                          Count: 400000   Time: 0.697
using streambuf iterators       Count: 400000   Time: 0.694
using stream iterators          Count: 400000   Time: 1.612

因此，即使所有读取都被缓冲，我们看到 g++ 的变化约为 8:1，而 VC++ 的变化约为 20:1。当然，我还没有测试(甚至接近)读取输入的所有可能方式。如果我们测试更多的阅读技巧，我怀疑我们会看到更广泛的时间范围，但我对此可能是错的。无论我们是否这样做，我们都看到了足够多的变化，至少如果您正在处理大量数据，您很可能有理由选择一种技术而不是另一种技术来提高处理速度。