c ++ 11 regex比python慢

Question

嗨，我想了解为什么下面的代码使用正则表达式进行拆分字符串拆分

#include<regex>
#include<vector>
#include<string>

std::vector<std::string> split(const std::string &s){
    static const std::regex rsplit(" +");
    auto rit = std::sregex_token_iterator(s.begin(), s.end(), rsplit, -1);
    auto rend = std::sregex_token_iterator();
    auto res = std::vector<std::string>(rit, rend);
    return res;
}

int main(){
    for(auto i=0; i< 10000; ++i)
       split("a b c", " ");
    return 0;
}

比下面的python代码慢

import re
for i in range(10000):
    re.split(' +', 'a b c')

这是

> python test.py  0.05s user 0.01s system 94% cpu 0.070 total
./test  0.26s user 0.00s system 99% cpu 0.296 total

我在osx上使用clang ++。

使用-O3进行编译可以降低到 0.09s user 0.00s system 99% cpu 0.109 total

Answer 1

我将循环数增加到1000000，以获得更好的计时措施。

这是我的Python时间：

real    0m2.038s
user    0m2.009s
sys     0m0.024s

这等效于您的代码，但更漂亮：

#include <regex>
#include <vector>
#include <string>

std::vector<std::string> split(const std::string &s, const std::regex &r)
{
    return {
        std::sregex_token_iterator(s.begin(), s.end(), r, -1),
        std::sregex_token_iterator()
    };
}

int main()
{
    const std::regex r(" +");
    for(auto i=0; i < 1000000; ++i)
       split("a b c", r);
    return 0;
}

定时：

real    0m5.786s
user    0m5.779s
sys     0m0.005s

这是为了避免构造和分配矢量和字符串对象而进行的优化：

#include <regex>
#include <vector>
#include <string>

void split(const std::string &s, const std::regex &r, std::vector<std::string> &v)
{
    auto rit = std::sregex_token_iterator(s.begin(), s.end(), r, -1);
    auto rend = std::sregex_token_iterator();
    v.clear();
    while(rit != rend)
    {
        v.push_back(*rit);
        ++rit;
    }
}

int main()
{
    const std::regex r(" +");
    std::vector<std::string> v;
    for(auto i=0; i < 1000000; ++i)
       split("a b c", r, v);
    return 0;
}

定时：

real    0m3.034s
user    0m3.029s
sys     0m0.004s

这几乎是100％的性能提升。

向量在循环之前创建，并且可以在第一次迭代中增加其内存。之后，不进行内存释放clear()，向量将维护内存并 在原位 构造字符串。

另一个性能提升将是完全避免构造/破坏std::string，从而避免其对象的分配/取消分配。

这是朝这个方向的尝试：

#include <regex>
#include <vector>
#include <string>

void split(const char *s, const std::regex &r, std::vector<std::string> &v)
{
    auto rit = std::cregex_token_iterator(s, s + std::strlen(s), r, -1);
    auto rend = std::cregex_token_iterator();
    v.clear();
    while(rit != rend)
    {
        v.push_back(*rit);
        ++rit;
    }
}

定时：

real    0m2.509s
user    0m2.503s
sys     0m0.004s

最终的改进是有一个std::vector的const char *作为回报，其中每个字符指针会指向原来的内子s C字符串
本身。问题是，您不能这样做，因为它们中的每一个都不会被null终止（为此，请参阅string_ref后面的示例中的C ++ 1y用法）。

最后的改进也可以通过以下方式实现：

#include <regex>
#include <vector>
#include <string>

void split(const std::string &s, const std::regex &r, std::vector<std::string> &v)
{
    auto rit = std::cregex_token_iterator(s.data(), s.data() + s.length(), r, -1);
    auto rend = std::cregex_token_iterator();
    v.clear();
    while(rit != rend)
    {
        v.push_back(*rit);
        ++rit;
    }
}

int main()
{
    const std::regex r(" +");
    std::vector<std::string> v;
    for(auto i=0; i < 1000000; ++i)
       split("a b c", r, v); // the constant string("a b c") should be optimized
                             // by the compiler. I got the same performance as
                             // if it was an object outside the loop
    return 0;
}

我已经用-O3用clang 3.3（从主干）构建了示例。也许其他正则表达式库可以执行得更好，但是在任何情况下，分配/解除分配通常都会影响性能。

这是boost::regex用于定时 C字符串 参数样品：

real    0m1.284s
user    0m1.278s
sys     0m0.005s

此示例中相同的代码boost::regex和std::regex接口是相同的，只是需要更改名称空间和包含。

C ++ stdlib regex实现正处于起步阶段，它祝愿它随着时间的推移变得更好。

编辑

为了完善起见，我尝试了这一点（上面提到的“最终改进”建议），但是它并没有std::vector<std::string> &v在任何方面提高等效版本的性能：

#include <regex>
#include <vector>
#include <string>

template<typename Iterator> class intrusive_substring
{
private:
    Iterator begin_, end_;

public:
    intrusive_substring(Iterator begin, Iterator end) : begin_(begin), end_(end) {}

    Iterator begin() {return begin_;}
    Iterator end() {return end_;}
};

using intrusive_char_substring = intrusive_substring<const char *>;

void split(const std::string &s, const std::regex &r, std::vector<intrusive_char_substring> &v)
{
    auto rit = std::cregex_token_iterator(s.data(), s.data() + s.length(), r, -1);
    auto rend = std::cregex_token_iterator();
    v.clear(); // This can potentially be optimized away by the compiler because
               // the intrusive_char_substring destructor does nothing, so
               // resetting the internal size is the only thing to be done.
               // Formerly allocated memory is maintained.
    while(rit != rend)
    {
        v.emplace_back(rit->first, rit->second);
        ++rit;
    }
}

int main()
{
    const std::regex r(" +");
    std::vector<intrusive_char_substring> v;
    for(auto i=0; i < 1000000; ++i)
       split("a b c", r, v);

    return 0;
}

这与array_ref和string_ref建议有关。这是使用它的示例代码：

#include <regex>
#include <vector>
#include <string>
#include <string_ref>

void split(const std::string &s, const std::regex &r, std::vector<std::string_ref> &v)
{
    auto rit = std::cregex_token_iterator(s.data(), s.data() + s.length(), r, -1);
    auto rend = std::cregex_token_iterator();
    v.clear();
    while(rit != rend)
    {
        v.emplace_back(rit->first, rit->length());
        ++rit;
    }
}

int main()
{
    const std::regex r(" +");
    std::vector<std::string_ref> v;
    for(auto i=0; i < 1000000; ++i)
       split("a b c", r, v);

    return 0;
}

对于带有vector return的情况，返回vectorstring_ref而不是string副本也将更便宜split。

编辑2

这个新的解决方案能够通过返回获得输出。我使用了在https://github.com/mclow/string_view中找到的MarshallClow的string_view（已string_ref重命名）libc
++实现。

#include <string>
#include <string_view>
#include <boost/regex.hpp>
#include <boost/range/iterator_range.hpp>
#include <boost/iterator/transform_iterator.hpp>

using namespace std;
using namespace std::experimental;
using namespace boost;

string_view stringfier(const cregex_token_iterator::value_type &match) {
    return {match.first, static_cast<size_t>(match.length())};
}

using string_view_iterator =
    transform_iterator<decltype(&stringfier), cregex_token_iterator>;

iterator_range<string_view_iterator> split(string_view s, const regex &r) {
    return {
        string_view_iterator(
            cregex_token_iterator(s.begin(), s.end(), r, -1),
            stringfier
        ),
        string_view_iterator()
    };
}

int main() {
    const regex r(" +");
    for (size_t i = 0; i < 1000000; ++i) {
        split("a b c", r);
    }
}

定时：

real    0m0.385s
user    0m0.385s
sys     0m0.000s

请注意，与以前的结果相比，速度更快。当然，它不是填充vector循环内部的内容（也可能不预先匹配任何内容），但是无论如何，您都会得到一个范围，您可以for使用基于范围的范围进行范围调整，甚至可以使用它来填充vector。

作为测距在iterator_range创建string_view了一个多原稿S string（或一个 零终止的字符串
），这变得非常轻便，从不产生不必要串分配。

只是为了比较使用此split实现，但实际上填充了一个，vector我们可以这样做：

int main() {
    const regex r(" +");
    vector<string_view> v;
    v.reserve(10);
    for (size_t i = 0; i < 1000000; ++i) {
        copy(split("a b c", r), back_inserter(v));
        v.clear();
    }
}

它使用升压范围复制算法在每次迭代中填充向量，时序为：

real    0m1.002s
user    0m0.997s
sys     0m0.004s

可以看出，与优化的string_view输出参数版本相比没有太大差异。

请注意，还有一个建议std::split可以像这样工作。