我会将其重新设计为流式处理,而不是分块处理。
一个更简单的方法是:
std::ifstream ifs("input.txt")
std::vector<uint64_t> parsed(std::istream_iterator<uint64_t>(ifs), {})
如果您大致知道预期值的数量,使用
std::vector::reserve
可以提高速度。
或者您可以使用内存映射文件并迭代字符序列。
更新:我修改了上面的程序,将uint32_t
解析到向量中。
当使用4.5GiB[1]的样本输入文件时,该程序运行时间为9秒[2]:
sehe@desktop:/tmp$ make -B && sudo chrt -f 99 /usr/bin/time -f "%E elapsed, %c context switches" ./test smaller.txt
g++ -std=c++0x -Wall -pedantic -g -O2 -march=native test.cpp -o test -lboost_system -lboost_iostreams -ltcmalloc
parse success
trailing unparsed: '
'
data.size(): 402653184
0:08.96 elapsed, 6 context switches
当然,它至少会分配402653184 * 4 * byte = 1.5 gibibytes的内存。因此,当您读取一个45 GB的文件时,您需要大约15GiB的RAM来仅仅存储向量(假设没有重新分配时的碎片):45GiB解析完成需要10分45秒:
make && sudo chrt -f 99 /usr/bin/time -f "%E elapsed, %c context switches" ./test 45gib_uint32s.txt
make: Nothing to be done for `all'.
tcmalloc: large alloc 17570324480 bytes == 0x2cb6000 @ 0x7ffe6b81dd9c 0x7ffe6b83dae9 0x401320 0x7ffe6af4cec5 0x40176f (nil)
Parse success
Trailing unparsed: 1 characters
Data.size(): 4026531840
Time taken by parsing: 644.64s
10:45.96 elapsed, 42 context switches
相比之下,仅运行wc -l 45gib_uint32s.txt
就需要大约12分钟(尽管没有实时优先级调度)。wc
非常快速。
用于基准测试的完整代码
#include <boost/spirit/include/qi.hpp>
#include <boost/iostreams/device/mapped_file.hpp>
#include <chrono>
namespace qi = boost::spirit::qi;
typedef std::vector<uint32_t> data_t;
using hrclock = std::chrono::high_resolution_clock;
int main(int argc, char** argv) {
if (argc<2) return 255;
data_t data;
data.reserve(4392580288);
boost::iostreams::mapped_file mmap(argv[1], boost::iostreams::mapped_file::readonly);
auto f = mmap.const_data();
auto l = f + mmap.size();
using namespace qi;
auto start_parse = hrclock::now();
bool ok = phrase_parse(f,l,int_parser<uint32_t, 10>() % eol, blank, data);
auto stop_time = hrclock::now();
if (ok)
std::cout << "Parse success\n";
else
std::cerr << "Parse failed at #" << std::distance(mmap.const_data(), f) << " around '" << std::string(f,f+50) << "'\n";
if (f!=l)
std::cerr << "Trailing unparsed: " << std::distance(f,l) << " characters\n";
std::cout << "Data.size(): " << data.size() << "\n";
std::cout << "Time taken by parsing: " << std::chrono::duration_cast<std::chrono::milliseconds>(stop_time-start_parse).count() / 1000.0 << "s\n";
}
[1] 使用od -t u4 /dev/urandom -A none -v -w4 | pv | dd bs=1M count=$((9*1024/2)) iflag=fullblock > smaller.txt
生成文件。
[2] 显然,这是在linux的缓存中使用文件缓存的情况下进行的——大文件没有这个好处。
eof
是不好的事情。 - molbdnilolibstdc ++
版本)。 - Basile Starynkevitch20*8=160
字节来存储例如数字4624996948753406865
+空格,而只需8个字节。 - Gunther Struyf