Question

我尝试使用Boost Spirit QI解析TPCH文件。我的实现灵感来自Spirit QI的员工示例（http://www.boost.org/doc/libs/1_52_0/libs/spirit/example/qi/employee.cpp）。数据采用csv格式，令牌以“|”分隔。字符。

它可以工作但速度很慢（1秒时为20秒）。

这是我对lineitem文件的qi语法：

struct lineitem {
    int l_orderkey;
    int l_partkey;
    int l_suppkey;
    int l_linenumber;
    std::string l_quantity;
    std::string l_extendedprice;
    std::string l_discount;
    std::string l_tax;
    std::string l_returnflag;
    std::string l_linestatus;
    std::string l_shipdate;
    std::string l_commitdate;
    std::string l_recepitdate;
    std::string l_shipinstruct;
    std::string l_shipmode;
    std::string l_comment;
};

BOOST_FUSION_ADAPT_STRUCT( lineitem,
    (int, l_orderkey)
    (int, l_partkey)
    (int, l_suppkey)
    (int, l_linenumber)
    (std::string, l_quantity)
    (std::string, l_extendedprice)
    (std::string, l_discount)
    (std::string, l_tax)
    (std::string, l_returnflag)
    (std::string, l_linestatus)
    (std::string, l_shipdate)
    (std::string, l_commitdate)
    (std::string, l_recepitdate)
    (std::string, l_shipinstruct)
    (std::string, l_shipmode)
    (std::string, l_comment)) 

vector<lineitem>* lineitems=new vector<lineitem>();

phrase_parse(state->dataPointer,
    state->dataEndPointer,
    (*(int_ >> "|" >>
    int_ >> "|" >> 
    int_ >> "|" >>
    int_ >> "|" >>
    +(char_ - '|') >> "|" >>
    +(char_ - '|') >> "|" >>
    +(char_ - '|') >> "|" >>
    +(char_ - '|') >> "|" >>
    +(char_ - '|') >> '|' >>
    +(char_ - '|') >> '|' >>
    +(char_ - '|') >> '|' >>
    +(char_ - '|') >> '|' >>
    +(char_ - '|') >> '|' >>
    +(char_ - '|') >> '|' >>
    +(char_ - '|') >> '|' >>
    +(char_ - '|') >> '|' 
    ) ), space, *lineitems
);

问题似乎是字符解析。它比其他转换慢得多。有没有更好的方法将可变长度标记解析为字符串？

Answer 1

我找到了解决问题的方法。正如本文Boost Spirit QI grammar slow for parsing delimited strings中所述性能瓶颈是Spirit qi的字符串处理。所有其他数据类型似乎都非常快。

我通过自己处理数据而不是使用Spirit qi处理来避免这个问题。

我的解决方案使用一个帮助程序类，它为csv文件的每个字段提供函数。函数将值存储到结构中。字符串存储在char []中。命中解析器一个换行符，它调用一个函数，将结构添加到结果向量中。 Boost解析器调用此函数，而不是将值自身存储到向量中。

以下是TCPH Benchmark的region.tbl文件的代码：

struct region{
    int r_regionkey;
    char r_name[25];
    char r_comment[152];
};

class regionStorage{
public:
regionStorage(vector<region>* regions) :regions(regions), pos(0) {}
void storer_regionkey(int const&i){
    currentregion.r_regionkey = i;
}

void storer_name(char const&i){
    currentregion.r_name[pos] = i;
    pos++;
}

void storer_comment(char const&i){
    currentregion.r_comment[pos] = i;
    pos++;
}

void resetPos() {
    pos = 0;
}

void endOfLine() {
    pos = 0;
    regions->push_back(currentregion);
}

private:
vector<region>* regions;
region currentregion;
int pos;
};


void parseRegion(){

    vector<region> regions;
    regionStorage regionstorageObject(&regions);
    phrase_parse(dataPointer, /*< start iterator >*/    
     state->dataEndPointer, /*< end iterator >*/
     (*(lexeme[
     +(int_[boost::bind(&regionStorage::storer_regionkey, &regionstorageObject, _1)] - '|') >> '|' >>
     +(char_[boost::bind(&regionStorage::storer_name, &regionstorageObject, _1)] - '|') >> char_('|')[boost::bind(&regionStorage::resetPos, &regionstorageObject)] >>
     +(char_[boost::bind(&regionStorage::storer_comment, &regionstorageObject, _1)] - '|') >> char_('|')[boost::bind(&regionStorage::endOfLine, &regionstorageObject)]
    ])), space);

   cout << regions.size() << endl;
}

这不是一个漂亮的解决方案，但它可以工作，而且速度更快。（对于1 GB TCPH数据，2.2秒，多线程）

Answer 2

问题主要来自将char元素附加到std::string容器。根据您的语法，对于每个std::string属性，分配在满足char时开始，并在找到|分隔符时停止。因此，首先有sizeof(char)+1个保留字节（以空值终止的“\ 0”）。编译器必须运行std::string的分配器，具体取决于分配器加倍算法！这意味着必须非常频繁地为小字符串重新分配内存。这意味着您的字符串被复制到内存分配的两倍大小，并释放先前的分配，间隔为1,2,4,6,12,24 ...个字符。难怪它很慢，这会导致频繁的malloc调用出现巨大问题;更多的堆碎片，更大的空闲内存块链表，这些内存块的可变（小）大小，这会导致应用程序在整个生命周期内的内存扫描时间更长。 tldr;数据变得支离破碎并广泛分散在内存中。

证明？每次在迭代器中满足有效字符时，char_parser都会调用以下代码。来自Boost 1.54

/boost/spirit/home/qi/char/char_parser.hpp

if (first != last && this->derived().test(*first, context))
{
    spirit::traits::assign_to(*first, attr_);
    ++first;
    return true;
}
return false;

/boost/spirit/home/qi/detail/assign_to.hpp

// T is not a container and not a string
template <typename T_>
static void call(T_ const& val, Attribute& attr, mpl::false_, mpl::false_)
{
    traits::push_back(attr, val);
}

/boost/spirit/home/support/container.hpp

template <typename Container, typename T, typename Enable/* = void*/>
struct push_back_container
{
    static bool call(Container& c, T const& val)
    {
        c.insert(c.end(), val);
        return true;
    }
};

您发布的更正后续代码（将结构更改为char Name[Size]）与添加字符串Name.reserve(Size)语句指令基本相同。但是，目前还没有这方面的指示。

解决方案：

/boost/spirit/home/support/container.hpp

template <typename Container, typename T, typename Enable/* = void*/>
struct push_back_container
{
    static bool call(Container& c, T const& val, size_t initial_size = 8)
    {
        if (c.capacity() < initial_size)
            c.reserve(initial_size);
        c.insert(c.end(), val);
        return true;
    }
};

/boost/spirit/home/qi/char/char_parser.hpp

if (first != last && this->derived().test(*first, context))
{
    spirit::traits::assign_to(*first, attr_);
    ++first;
    return true;
}
if (traits::is_container<Attribute>::value == true)
    attr_.shrink_to_fit();
return false;

我还没有对它进行过测试，但我认为它可以像你看到的那样将字符串属性上的char解析器加速超过10倍。这将是Boost Spirit更新中的一个很好的优化功能，包括设置初始缓冲区大小的reserve(initial_size)[ +( char_ - lit("|") ) ]指令。

Answer 3

编译时是否使用-O2？

Boosts库有很多冗余，在使用优化标记时会被删除。

另一种可能的解决方案是使用Repetition Parser Directive： http://www.boost.org/doc/libs/1_52_0/libs/spirit/doc/html/spirit/qi/reference/directive/repeat.html

提升精神QI慢

3 个答案: