Question

我有一个庞大的文件，我必须逐行解析。速度至关重要。

一行示例：

Token-1   Here-is-the-Next-Token      Last-Token-on-Line
      ^                        ^
   Current                 Position
   Position              after GetToken

调用GetToken，返回“Here-is-the-Next-Token”并将CurrentPosition设置为令牌最后一个字符的位置，以便为下次调用GetToken做好准备。标记由一个或多个空格分隔。

假设文件已经在内存中的StringList中。它很容易适合记忆，比如200 MB。

我只担心解析的执行时间。什么代码将在Delphi（Pascal）中产生绝对最快的执行？

Answer 1

使用PChar递增处理速度
如果不需要某些令牌，则只按需复制令牌数据
实际扫描字符时将PChar复制到本地变量
将源数据保存在单个缓冲区中，除非您必须逐行处理，即使这样，也要考虑将行处理视为词法分析器识别器中的单独标记
如果您肯定知道编码，请考虑直接处理来自文件的字节数组缓冲区;如果使用Delphi 2009，请使用PAnsiChar而不是PChar，除非你知道编码是UTF16-LE。
如果您知道唯一的空格将是＃32（ASCII空间）或类似的字符集，可能会有一些聪明的位操作黑客可以让您使用整数扫描一次处理4个字节。我不希望在这里获得大奖，而且代码将像泥浆一样清晰。

这是一个非常有效的示例词法分析器，但它假设所有源数据都在一个字符串中。由于代币很长，重写它以处理缓冲区是非常棘手的。

type
  TLexer = class
  private
    FData: string;
    FTokenStart: PChar;
    FCurrPos: PChar;
    function GetCurrentToken: string;
  public
    constructor Create(const AData: string);
    function GetNextToken: Boolean;
    property CurrentToken: string read GetCurrentToken;
  end;

{ TLexer }

constructor TLexer.Create(const AData: string);
begin
  FData := AData;
  FCurrPos := PChar(FData);
end;

function TLexer.GetCurrentToken: string;
begin
  SetString(Result, FTokenStart, FCurrPos - FTokenStart);
end;

function TLexer.GetNextToken: Boolean;
var
  cp: PChar;
begin
  cp := FCurrPos; // copy to local to permit register allocation

  // skip whitespace; this test could be converted to an unsigned int
  // subtraction and compare for only a single branch
  while (cp^ > #0) and (cp^ <= #32) do
    Inc(cp);

  // using null terminater for end of file
  Result := cp^ <> #0;

  if Result then
  begin
    FTokenStart := cp;
    Inc(cp);
    while cp^ > #32 do
      Inc(cp);
  end;

  FCurrPos := cp;
end;

Answer 2

这是一个非常简单的词法分析器的蹩脚屁股实现。这可能会给你一个想法。

请注意此示例的限制 - 不涉及缓冲，没有Unicode（这是Delphi 7项目的摘录）。你可能需要那些认真实施的东西。

{ Implements a simpe lexer class. } 
unit Simplelexer;

interface

uses Classes, Sysutils, Types, dialogs;

type

  ESimpleLexerFinished = class(Exception) end;

  TProcTableProc = procedure of object;

  // A very simple lexer that can handle numbers, words, symbols - no comment handling  
  TSimpleLexer = class(TObject)
  private
    FLineNo: Integer;
    Run: Integer;
    fOffset: Integer;
    fRunOffset: Integer; // helper for fOffset
    fTokenPos: Integer;
    pSource: PChar;
    fProcTable: array[#0..#255] of TProcTableProc;
    fUseSimpleStrings: Boolean;
    fIgnoreSpaces: Boolean;
    procedure MakeMethodTables;
    procedure IdentProc;
    procedure NewLineProc;
    procedure NullProc;
    procedure NumberProc;
    procedure SpaceProc;
    procedure SymbolProc;
    procedure UnknownProc;
  public
    constructor Create;
    destructor Destroy; override;
    procedure Feed(const S: string);
    procedure Next;
    function GetToken: string;
    function GetLineNo: Integer;
    function GetOffset: Integer;

    property IgnoreSpaces: boolean read fIgnoreSpaces write fIgnoreSpaces;
    property UseSimpleStrings: boolean read fUseSimpleStrings write fUseSimpleStrings;
  end;

implementation

{ TSimpleLexer }

constructor TSimpleLexer.Create;
begin
  makeMethodTables;
  fUseSimpleStrings := false;
  fIgnoreSpaces := false;
end;

destructor TSimpleLexer.Destroy;
begin
  inherited;
end;

procedure TSimpleLexer.Feed(const S: string);
begin
  Run := 0;
  FLineNo := 1;
  FOffset := 1;
  pSource := PChar(S);
end;

procedure TSimpleLexer.Next;
begin
  fTokenPos := Run;
  foffset := Run - frunOffset + 1;
  fProcTable[pSource[Run]];
end;

function TSimpleLexer.GetToken: string;
begin
  SetString(Result, (pSource + fTokenPos), Run - fTokenPos);
end;

function TSimpleLexer.GetLineNo: Integer;
begin
  Result := FLineNo;
end;

function TSimpleLexer.GetOffset: Integer;
begin
  Result := foffset;
end;

procedure TSimpleLexer.MakeMethodTables;
var
  I: Char;
begin
  for I := #0 to #255 do
    case I of
      '@', '&', '}', '{', ':', ',', ']', '[', '*',
        '^', ')', '(', ';', '/', '=', '-', '+', '#', '>', '<', '$',
        '.', '"', #39:
        fProcTable[I] := SymbolProc;
      #13, #10: fProcTable[I] := NewLineProc;
      'A'..'Z', 'a'..'z', '_': fProcTable[I] := IdentProc;
      #0: fProcTable[I] := NullProc;
      '0'..'9': fProcTable[I] := NumberProc;
      #1..#9, #11, #12, #14..#32: fProcTable[I] := SpaceProc;
    else
      fProcTable[I] := UnknownProc;
    end;
end;

procedure TSimpleLexer.UnknownProc;
begin
  inc(run);
end;

procedure TSimpleLexer.SymbolProc;
begin
  if fUseSimpleStrings then
  begin
    if pSource[run] = '"' then
    begin
      Inc(run);
      while pSource[run] <> '"' do
      begin
        Inc(run);
        if pSource[run] = #0 then
        begin
          NullProc;
        end;
      end;
    end;
    Inc(run);
  end
  else
    inc(run);
end;

procedure TSimpleLexer.IdentProc;
begin
  while pSource[Run] in ['_', 'A'..'Z', 'a'..'z', '0'..'9'] do
    Inc(run);
end;

procedure TSimpleLexer.NumberProc;
begin
  while pSource[run] in ['0'..'9'] do
    inc(run);
end;

procedure TSimpleLexer.SpaceProc;
begin
  while pSource[run] in [#1..#9, #11, #12, #14..#32] do
    inc(run);
  if fIgnoreSpaces then Next;
end;

procedure TSimpleLexer.NewLineProc;
begin
  inc(FLineNo);
  inc(run);
  case pSource[run - 1] of
    #13:
      if pSource[run] = #10 then inc(run);
  end;
  foffset := 1;
  fRunOffset := run;
end;

procedure TSimpleLexer.NullProc;
begin
  raise ESimpleLexerFinished.Create('');
end;

end.

Answer 3

我根据状态引擎（DFA）制作了一个词法分析器。它适用于桌子并且非常快。但有可能更快的选择。

这也取决于语言。一种简单的语言可能有一个智能算法。

该表是一个记录数组，每个记录包含2个字符和1个整数。对于每个标记，词法分析器遍历表格，从位置0开始：

state := 0;
result := tkNoToken;
while (result = tkNoToken) do begin
  if table[state].c1 > table[state].c2 then
    result := table[state].value
  else if (table[state].c1 <= c) and (c <= table[state].c2) then begin
    c := GetNextChar();
    state := table[state].value;
  end else
    Inc(state);
end;

它很简单，就像一个魅力。

Answer 4

如果速度至关重要，那么自定义代码就是答案。查看将您的文件映射到内存的Windows API。然后，您可以使用指向下一个字符的指针来执行您的令牌，并根据需要进行操作。

这是我进行映射的代码：

procedure TMyReader.InitialiseMapping(szFilename : string);
var
//  nError : DWORD;
    bGood : boolean;
begin
    bGood := False;
    m_hFile := CreateFile(PChar(szFilename), GENERIC_READ, 0, nil, OPEN_EXISTING, 0, 0);
    if m_hFile <> INVALID_HANDLE_VALUE then
    begin
        m_hMap := CreateFileMapping(m_hFile, nil, PAGE_READONLY, 0, 0, nil);
        if m_hMap <> 0 then
        begin
            m_pMemory := MapViewOfFile(m_hMap, FILE_MAP_READ, 0, 0, 0);
            if m_pMemory <> nil then
            begin
                htlArray := Pointer(Integer(m_pMemory) + m_dwDataPosition);
                bGood := True;
            end
            else
            begin
//              nError := GetLastError;
            end;
        end;
    end;
    if not bGood then
        raise Exception.Create('Unable to map token file into memory');
end;

Answer 5

我认为最大的瓶颈始终是将文件存入内存。一旦你把它放在内存中（显然不是一次全部，但我会使用缓冲区，如果我是你），实际的解析应该是无关紧要的。

Answer 6

这引出了另一个问题 - 有多大？给我们一个像线条或＃或Mb（Gb）的线索？然后我们将知道它是否适合内存，需要基于磁盘等。

第一遍我会使用我的WordList（S：String; AList：TStringlist）;

然后您可以访问每个令牌Alist [n] ... 或者他们或其他什么。

Answer 7

一旦解析，速度将始终与您正在执行的操作相关。到目前为止，词法解析器是从文本流转换为令牌的最快方法，无论大小如何。课程单元中的TParser是一个很好的起点。

个人已经有一段时间了，因为我需要编写一个解析器，但另一个更加过时，但尝试过的方法是使用LEX / YACC来构建语法，然后将语法转换为可用于执行语法的代码处理。 DYacc是Delphi版本......不确定它是否仍在编译，但值得一看，如果你想做旧学校的事情。如果你能找到副本，那么dragon book会有很大的帮助。

Answer 8

滚动自己是最快的方式。有关此主题的更多信息，您可以看到Synedit's source code包含有关市场上任何语言的词法分析器（在项目的上下文中称为高亮显示）。我建议你把其中一个lexers作为基础并根据自己的用途进行修改。

Answer 9

编写代码的最快方法可能是创建TStringList并将文本文件中的每一行分配给CommaText属性。默认情况下，空格是分隔符，因此每个标记将获得一个StringList项。

MyStringList.CommaText := s;
for i := 0 to MyStringList.Count - 1 do
begin
  // process each token here
end;

但是，通过自己解析每一行，你可能会获得更好的性能。

在Delphi中解析一行的最快方法是什么？

9 个答案: