Я пропоную деякі результати бенчмаркінгу, порівнюючи найвизначніші підходи, представлені до цього часу, а саме: @ bobince's findnth()
(на основі str.split()
) проти @ tgamblin's або @Mark Byers ' find_nth()
(на основі str.find()
). Я також порівняю з розширенням C ( _find_nth.so
), щоб побачити, наскільки швидко ми можемо пройти. Ось find_nth.py
:
def findnth(haystack, needle, n):
parts= haystack.split(needle, n+1)
if len(parts)<=n+1:
return -1
return len(haystack)-len(parts[-1])-len(needle)
def find_nth(s, x, n=0, overlap=False):
l = 1 if overlap else len(x)
i = -l
for c in xrange(n + 1):
i = s.find(x, i + l)
if i < 0:
break
return i
Звичайно, продуктивність має найбільше значення, якщо рядок є великим, тому припустимо, що ми хочемо знайти 1000001-й новий рядок ('\ n') у файлі 1,3 ГБ під назвою "bigfile". Щоб зберегти пам'ять, ми хотіли б працювати над mmap.mmap
об’єктним поданням файлу:
In [1]: import _find_nth, find_nth, mmap
In [2]: f = open('bigfile', 'r')
In [3]: mm = mmap.mmap(f.fileno(), 0, access=mmap.ACCESS_READ)
Вже є перша проблема findnth()
, оскільки mmap.mmap
об'єкти не підтримують split()
. Таким чином, ми фактично повинні скопіювати весь файл у пам'ять:
In [4]: %time s = mm[:]
CPU times: user 813 ms, sys: 3.25 s, total: 4.06 s
Wall time: 17.7 s
Ой! На щастя, s
все ще входить в 4 Гб пам'яті мого Macbook Air, тому давайте орієнтир findnth()
:
In [5]: %timeit find_nth.findnth(s, '\n', 1000000)
1 loops, best of 3: 29.9 s per loop
Ясна страшна вистава. Подивимось, як працює підхід, заснований на str.find()
:
In [6]: %timeit find_nth.find_nth(s, '\n', 1000000)
1 loops, best of 3: 774 ms per loop
Набагато краще! Зрозуміло, findnth()
що проблема полягає в тому, що він змушений копіювати рядок під час split()
, що вже вдруге ми скопіювали 1,3 ГБ даних після s = mm[:]
. Тут є друга перевага find_nth()
: Ми можемо використовувати його mm
безпосередньо, таким чином, що потрібні нульові копії файлу:
In [7]: %timeit find_nth.find_nth(mm, '\n', 1000000)
1 loops, best of 3: 1.21 s per loop
Здається, невеликий штрафний показник, який працює на mm
vs. s
, але це ілюструє, що ми find_nth()
можемо отримати відповідь за 1,2 с порівняно findnth
з загальною кількістю 47 с.
Я не знайшов жодного випадку, коли str.find()
базований підхід був значно гіршим, ніж str.split()
заснований на підході, тому на цьому етапі я стверджую, що відповідь @ tgamblin чи @Mark Byers слід приймати замість @ bobince.
На моєму тестуванні, find_nth()
наведена вище версія була найшвидшим чистим рішенням Python, яке я міг придумати (дуже схоже на версію @Mark Byers). Подивимося, наскільки краще ми можемо зробити з модулем розширення C. Ось _find_nthmodule.c
:
#include <Python.h>
#include <string.h>
off_t _find_nth(const char *buf, size_t l, char c, int n) {
off_t i;
for (i = 0; i < l; ++i) {
if (buf[i] == c && n-- == 0) {
return i;
}
}
return -1;
}
off_t _find_nth2(const char *buf, size_t l, char c, int n) {
const char *b = buf - 1;
do {
b = memchr(b + 1, c, l);
if (!b) return -1;
} while (n--);
return b - buf;
}
/* mmap_object is private in mmapmodule.c - replicate beginning here */
typedef struct {
PyObject_HEAD
char *data;
size_t size;
} mmap_object;
typedef struct {
const char *s;
size_t l;
char c;
int n;
} params;
int parse_args(PyObject *args, params *P) {
PyObject *obj;
const char *x;
if (!PyArg_ParseTuple(args, "Osi", &obj, &x, &P->n)) {
return 1;
}
PyTypeObject *type = Py_TYPE(obj);
if (type == &PyString_Type) {
P->s = PyString_AS_STRING(obj);
P->l = PyString_GET_SIZE(obj);
} else if (!strcmp(type->tp_name, "mmap.mmap")) {
mmap_object *m_obj = (mmap_object*) obj;
P->s = m_obj->data;
P->l = m_obj->size;
} else {
PyErr_SetString(PyExc_TypeError, "Cannot obtain char * from argument 0");
return 1;
}
P->c = x[0];
return 0;
}
static PyObject* py_find_nth(PyObject *self, PyObject *args) {
params P;
if (!parse_args(args, &P)) {
return Py_BuildValue("i", _find_nth(P.s, P.l, P.c, P.n));
} else {
return NULL;
}
}
static PyObject* py_find_nth2(PyObject *self, PyObject *args) {
params P;
if (!parse_args(args, &P)) {
return Py_BuildValue("i", _find_nth2(P.s, P.l, P.c, P.n));
} else {
return NULL;
}
}
static PyMethodDef methods[] = {
{"find_nth", py_find_nth, METH_VARARGS, ""},
{"find_nth2", py_find_nth2, METH_VARARGS, ""},
{0}
};
PyMODINIT_FUNC init_find_nth(void) {
Py_InitModule("_find_nth", methods);
}
Ось setup.py
файл:
from distutils.core import setup, Extension
module = Extension('_find_nth', sources=['_find_nthmodule.c'])
setup(ext_modules=[module])
Встановіть як завжди python setup.py install
. Код C відіграє тут перевагу, оскільки він обмежений знаходженням окремих символів, але давайте подивимось, наскільки це швидко:
In [8]: %timeit _find_nth.find_nth(mm, '\n', 1000000)
1 loops, best of 3: 218 ms per loop
In [9]: %timeit _find_nth.find_nth(s, '\n', 1000000)
1 loops, best of 3: 216 ms per loop
In [10]: %timeit _find_nth.find_nth2(mm, '\n', 1000000)
1 loops, best of 3: 307 ms per loop
In [11]: %timeit _find_nth.find_nth2(s, '\n', 1000000)
1 loops, best of 3: 304 ms per loop
Ясна річ трохи швидше. Цікаво, що на рівні C немає різниці між випадками пам'яті та mmapped. Також цікаво відзначити , що _find_nth2()
, в основі якої лежить string.h
«S memchr()
бібліотечної функції, втрачає проти простої реалізації в _find_nth()
: Додаткового" оптимізації "в по- memchr()
видимому , й це позначається ...
На закінчення, реалізація в findnth()
(на основі str.split()
) - це дійсно погана ідея, оскільки (a) вона спрацьовує жахливо для великих рядків через необхідне копіювання, і (b) вона взагалі не працює на mmap.mmap
об'єктах. Реалізація find_nth()
(заснована на str.find()
) повинна віддавати перевагу в будь-яких обставинах (і тому є прийнятою відповіддю на це питання).
Є ще багато можливостей для вдосконалення, оскільки розширення C працює майже на 4 рази швидше, ніж чистий код Python, що вказує на те, що може бути випадок для спеціальної бібліотеки Python.