Question

我需要在C ++中逐行读取大盘中的35G文件。目前我通过以下方式实现：

ifstream infile("myfile.txt");
string line;
while (true) {
    if (!getline(infile, line)) break;
    long linepos = infile.tellg();
    process(line,linepos);
}

但是它给了我大约2MB /秒的性能，尽管文件管理器以100Mb / s的速度复制文件。我想getline()没有正确缓冲。请提出一些缓冲的逐行读取方法。

UPD：process（）不是瓶颈，没有process（）的代码以相同的速度工作。

Answer 1

使用标准IO流，您将无法接近线速度。是否缓冲，几乎任何解析都会使你的速度降低几个数量级。我对由两个整数和一个双线（Ivy Bridge芯片，SSD）组成的数据文件进行了实验：

各种组合的IO流：~10 MB / s。纯解析（f >> i1 >> i2 >> d）比getline更快地进入字符串，后跟sstringstream解析。
像fscanf这样的C文件操作大约可以达到40 MB / s。
getline没有解析：180 MB / s。
fread：500-800 MB / s（取决于文件是否由操作系统缓存）。

I / O不是瓶颈，解析是。换句话说，您的process可能是您的慢点。

所以我写了一个并行解析器。它由任务组成（使用TBB管道）：

fread大块（一次一个这样的任务）
重新排列块，使得一行不会在块之间分割（一次一个这样的任务）
解析chunk（许多此类任务）

我可以拥有无限的解析任务，因为无论如何我的数据都是无序的。如果你不是，那么这对你来说可能是不值得的。这种方法让我在4核IvyBridge芯片上大约100 MB / s。

Answer 2

我已经从我的java项目中翻译了我自己的缓冲代码，它可以满足我的需求。我不得不放置定义来克服M $ VC 2010编译器tellg的问题，它总是在大文件上给出错误的负值。这个算法给出了所需的速度~100MB / s，虽然它有一些无用的新[]。

void readFileFast(ifstream &file, void(*lineHandler)(char*str, int length, __int64 absPos)){
        int BUF_SIZE = 40000;
        file.seekg(0,ios::end);
        ifstream::pos_type p = file.tellg();
#ifdef WIN32
        __int64 fileSize = *(__int64*)(((char*)&p) +8);
#else
        __int64 fileSize = p;
#endif
        file.seekg(0,ios::beg);
        BUF_SIZE = min(BUF_SIZE, fileSize);
        char* buf = new char[BUF_SIZE];
        int bufLength = BUF_SIZE;
        file.read(buf, bufLength);

        int strEnd = -1;
        int strStart;
        __int64 bufPosInFile = 0;
        while (bufLength > 0) {
            int i = strEnd + 1;
            strStart = strEnd;
            strEnd = -1;
            for (; i < bufLength && i + bufPosInFile < fileSize; i++) {
                if (buf[i] == '\n') {
                    strEnd = i;
                    break;
                }
            }

            if (strEnd == -1) { // scroll buffer
                if (strStart == -1) {
                    lineHandler(buf + strStart + 1, bufLength, bufPosInFile + strStart + 1);
                    bufPosInFile += bufLength;
                    bufLength = min(bufLength, fileSize - bufPosInFile);
                    delete[]buf;
                    buf = new char[bufLength];
                    file.read(buf, bufLength);
                } else {
                    int movedLength = bufLength - strStart - 1;
                    memmove(buf,buf+strStart+1,movedLength);
                    bufPosInFile += strStart + 1;
                    int readSize = min(bufLength - movedLength, fileSize - bufPosInFile - movedLength);

                    if (readSize != 0)
                        file.read(buf + movedLength, readSize);
                    if (movedLength + readSize < bufLength) {
                        char *tmpbuf = new char[movedLength + readSize];
                        memmove(tmpbuf,buf,movedLength+readSize);
                        delete[]buf;
                        buf = tmpbuf;
                        bufLength = movedLength + readSize;
                    }
                    strEnd = -1;
                }
            } else {
                lineHandler(buf+ strStart + 1, strEnd - strStart, bufPosInFile + strStart + 1);
            }
        }
        lineHandler(0, 0, 0);//eof
}

void lineHandler(char*buf, int l, __int64 pos){
    if(buf==0) return;
    string s = string(buf, l);
    printf(s.c_str());
}

void loadFile(){
    ifstream infile("file");
    readFileFast(infile,lineHandler);
}

Answer 3

使用行解析器或编写相同的解析器。这是sourceforge http://tclap.sourceforge.net/中的一个示例，并在必要时放入缓冲区。

使用缓冲在C ++中逐行读取大文本文件

3 个答案: