我有一个非常大的文本文件(45GB)。文本文件的每一行包含两个空格分隔的 64 位无符号整数,如下所示。
4624996948753406865 10214715013130414417
4305027007407867230 4569406367070518418
10817905656952544704 3697712211731468838
...
...
我想读取文件并对数字执行一些操作。
我的 C++ 代码:
void process_data(string str)
{
vector<string> arr;
boost::split(arr, str, boost::is_any_of(" \n"));
do_some_operation(arr);
}
int main()
{
unsigned long long int read_bytes = 45 * 1024 *1024;
const char* fname = "input.txt";
ifstream fin(fname, ios::in);
char* memblock;
while(!fin.eof())
{
memblock = new char[read_bytes];
fin.read(memblock, read_bytes);
string str(memblock);
process_data(str);
delete [] memblock;
}
return 0;
}
我对 C++ 比较陌生。当我运行这段代码时,我面临着这些问题。
我已经阅读了 C++ 中的 mmap 文件,但我不确定这是否是正确的方法。如果是,请附上一些链接。
最佳答案
我会重新设计它以进行流式传输,而不是在块上。
一个更简单的方法是:
std::ifstream ifs("input.txt");
std::vector<uint64_t> parsed(std::istream_iterator<uint64_t>(ifs), {});
如果您大致知道预期的值有多少,那么预先使用
std::vector::reserve
可以进一步加快速度。或者,您可以使用内存映射文件并遍历字符序列。
更新 我修改了上面的程序,将
uint32_t
s 解析成一个 vector 。使用 4.5GiB 的示例输入文件时 [1] 程序运行 9 秒 [2] 0x251819412:3411
sehe@desktop:/tmp$ make -B && sudo chrt -f 99 /usr/bin/time -f "%E elapsed, %c context switches" ./test smaller.txt
g++ -std=c++0x -Wall -pedantic -g -O2 -march=native test.cpp -o test -lboost_system -lboost_iostreams -ltcmalloc
parse success
trailing unparsed: '
'
data.size(): 402653184
0:08.96 elapsed, 6 context switches
当然,它至少分配了 402653184 * 4 * byte = 1.5 Gibibytes。所以当
你读了一个 45 GB 的文件,你估计需要 15GiB 的 RAM 来存储
vector (假设重新分配时没有碎片): 45GiB 解析
在 10 分钟 45 秒内完成 :
make && sudo chrt -f 99 /usr/bin/time -f "%E elapsed, %c context switches" ./test 45gib_uint32s.txt
make: Nothing to be done for `all'.
tcmalloc: large alloc 17570324480 bytes == 0x2cb6000 @ 0x7ffe6b81dd9c 0x7ffe6b83dae9 0x401320 0x7ffe6af4cec5 0x40176f (nil)
Parse success
Trailing unparsed: 1 characters
Data.size(): 4026531840
Time taken by parsing: 644.64s
10:45.96 elapsed, 42 context switches
相比之下,仅运行
wc -l 45gib_uint32s.txt
需要大约 12 分钟(尽管没有实时优先级调度)。 wc
是 极快的 用于基准测试的完整代码
#include <boost/spirit/include/qi.hpp>
#include <boost/iostreams/device/mapped_file.hpp>
#include <chrono>
namespace qi = boost::spirit::qi;
typedef std::vector<uint32_t> data_t;
using hrclock = std::chrono::high_resolution_clock;
int main(int argc, char** argv) {
if (argc<2) return 255;
data_t data;
data.reserve(4392580288); // for the 45 GiB file benchmark
// data.reserve(402653284); // for the 4.5 GiB file benchmark
boost::iostreams::mapped_file mmap(argv[1], boost::iostreams::mapped_file::readonly);
auto f = mmap.const_data();
auto l = f + mmap.size();
using namespace qi;
auto start_parse = hrclock::now();
bool ok = phrase_parse(f,l,int_parser<uint32_t, 10>() % eol, blank, data);
auto stop_time = hrclock::now();
if (ok)
std::cout << "Parse success\n";
else
std::cerr << "Parse failed at #" << std::distance(mmap.const_data(), f) << " around '" << std::string(f,f+50) << "'\n";
if (f!=l)
std::cerr << "Trailing unparsed: " << std::distance(f,l) << " characters\n";
std::cout << "Data.size(): " << data.size() << "\n";
std::cout << "Time taken by parsing: " << std::chrono::duration_cast<std::chrono::milliseconds>(stop_time-start_parse).count() / 1000.0 << "s\n";
}
[1] 用
od -t u4 /dev/urandom -A none -v -w4 | pv | dd bs=1M count=$((9*1024/2)) iflag=fullblock > smaller.txt
生成[2] 显然,这是缓存在 linux 缓冲区缓存中的文件 - 大文件没有这个好处
关于c++ - 在 C++ 中有效地读取一个非常大的文本文件,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/26736742/