Perl中速度最快的CSV解析器

时间:2012-12-17 15:25:00

标签: perl parsing csv

我正在创建一个子程序:

(1)解析CSV文件;

(2)并检查该文件中的所有行是否具有预期的列数。如果列数无效,则会出现问题。

如果行数从数千到数百万不等,您认为最有效的方式是什么?

现在,我正在尝试这些实现。

(1)基本文件解析器

open my $in_fh, '<', $file or 
    croak "Cannot open '$file': $OS_ERROR";                                                            

my $row_no = 0;                                                                                           
while ( my $row = <$in_fh> ) {                                                                            
    my @values = split (q{,}, $row);                                                                      
    ++$row_no;                                                                                            
    if ( scalar @values < $min_cols_no ) {                                                                
        croak "Invalid file format. File '$file' does not have '$min_cols_no' columns in line '$row_no'.";
    }                                                                                                     
}                                                                                                         

close $in_fh                                                                                              
    or croak "Cannot close '$file': $OS_ERROR";                                                           

(2)使用Text :: CSV_XS(bind_columns和csv-&gt; getline)

my $csv = Text::CSV_XS->new () or                                                                         
   croak "Cannot use CSV: " . Text::CSV_XS->error_diag();                                                 
open my $in_fh, '<', $file or                                                                             
   croak "Cannot open '$file': $OS_ERROR";                                                                

 my $row_no = 1;                                                                                          
 my @cols = @{$csv->getline($in_fh)};                                                                     
 my $row = {};                                                                                            
 $csv->bind_columns (\@{$row}{@cols});                                                                    
 while ($csv->getline ($in_fh)) {                                                                         
    ++$row_no;                                                                                            
    if ( scalar keys %$row < $min_cols_no ) {                                                             
        croak "Invalid file format. File '$file' does not have '$min_cols_no' columns in line '$row_no'.";
    }                                                                                                     
}                                                                                                         

$csv->eof or $csv->error_diag();                                                                          
close $in_fh or
    croak "Cannot close '$file': $OS_ERROR";                                                           

(3)使用Text :: CSV_XS(csv-&gt; parse)

my $csv = Text::CSV_XS->new() or                                                                         
   croak "Cannot use CSV: " . Text::CSV_XS->error_diag();                                                
 open my $in_fh, '<', $file or                                                                           
   croak "Cannot open '$file': $OS_ERROR";                                                               

 my $row_no = 0;                                                                                         
 while ( <$in_fh> ) {                                                                                    
     $csv->parse($_);                                                                                    
     ++$row_no;                                                                                          
     if ( scalar $csv->fields < $min_cols_no ) {                                                         
       croak "Invalid file format. File '$file' does not have '$min_cols_no' columns in line '$row_no'.";
     }                                                                                                   
}                                                                                                        

$csv->eof or $csv->error_diag();                                                                         
close $in_fh or 
    croak "Cannot close '$file': $OS_ERROR";                                                          

(4)使用Parse :: CSV

use Parse::CSV;                                                                                           
my $simple = Parse::CSV->new(                                                                             
    file => $file                                                                                         
);                                                                                                        

my $row_no = 0;                                                                                           
while ( my $array_ref = $simple->fetch ) {                                                                
    ++$row_no;                                                                                            
    if ( scalar @$array_ref < $min_cols_no ) {                                                            
        croak "Invalid file format. File '$file' does not have '$min_cols_no' columns in line '$row_no'.";
    }                                                                                                     
}                                                                                                         

我使用Benchmark模块对它们进行基准测试。

use Benchmark qw(timeit timestr timediff :hireswallclock);

这些是我得到的数字(以秒为单位)

1,000行文件:

  

实施1:0.0016

     

实施2:0.0025

     

实施3:0.0050

     

实施4:0.0097

10,000行文件:

  

实施1:0.0204

     

实施2:0.0244

     

实施3:0.0523

     

实施4:0.1050

1,500,000行文件:

  

实施1:1.8697

     

实施2:3.1913

     

实施3:7.8475

     

实施4:15.6274

鉴于这些数字,我会得出结论,简单的解析器是最快的,但从我从不同来源读到的,Text :: CSV_XS应该是最快的。

有人会对此启发吗?我如何使用这些模块有什么问题吗?非常感谢你的帮助!

4 个答案:

答案 0 :(得分:16)

有CSV文件

header1,header2,header3
value1,value2,value3

然后有CSV文件。

header1,"This, as they say, is header2","And header3
even contains a newline!"
value1,"value2, 2nd in a series of 3 values",value3

Text::CSV及其同类经过精心研制和测试,以应对第二种类型。如果您确信您的输入确实并且始终符合简单的CSV规范,那么您很可能可以构建一个优于Text::CSV的解析器。

答案 1 :(得分:9)

请注意,您的Text::CSV_XS版本比简单的解析器版本更多。它将行拆分,将其放入内存,并使hashref指向字段。

它也可能有其他逻辑,比如允许转义分隔符(我不知道,因为我没有使用它)。最重要的是,在使用模块时总是会有少量开销:函数调用,来回传递参数,以及可能在您的情况下并不真正适用的通用代码(例如错误检查您要做的事情)关心)。

通常,使用模块的好处大大超过了成本。您可以获得更多功能,更可靠的代码等。但是,对于一个小而简单的任务,这可能不是真的。如果您只需要验证列数,则使用模块可能会过度。您可以通过计算列数来更快地实现自己的实现,而不必费心去分割:

/(?:,[^,]*){$min_cols_no-1}/ or croak "Did not find minimum number of columns";

如果您要在此验证步骤之外进行实际处理,使用该模块可能会有所帮助。

答案 2 :(得分:1)

所有CSV解析模块都做同样的事情:打开文件并以某种方式解析CSV,就像在基本子中一样。它们只是带来了更多的开销,因为在内部,它们比你需要的要多得多(检查适当的CSV格式,传递对象结构等)。这使得它们在不同程度上比基本方法慢。

您自己对这些方法进行了基准测试;结果不明显吗?如果我不需要CSV模块的扩展功能,我会以自己的基本方式解析CSV文件。

(我不知道你是否可以通过提高模块的使用来加速它们)

答案 3 :(得分:0)

为了好玩,我为此测试了regexp ......它有效! ;)如果你有足够的ram,你可以一次读取整个文件,然后使用正则表达式:

my $blob = 'a;s;d
q;w;e
r;t;y
u;i;o
p;z;x
c;;b
n;m;f
g;h;j
k;l;';

say $blob =~ /^ ([^;]*;){2}[^;]* (\n (([^;]*;){2}[^;]*)+ \n ([^;]*;){2}[^;]*)? $/x ? 'ok' : 'bu';

但这不包括分隔符转义,引用等 - 只测试指定数量的分隔符:)