Il modo più veloce per eseguire una ricerca di sottostringa senza distinzione tra maiuscole e minuscole in C / C ++?

Question

Nota

La domanda che segue è stata posta nel 2008 su alcuni codici del 2003. Come mostra il aggiornamento del PO, questo intero post è stato obsoleto dagli algoritmi vintage 2008 e persiste qui solo come curiosità storica.

---

Ho bisogno di fare una veloce ricerca di sottostringhe senza distinzione tra maiuscole e minuscole in C / C ++. I miei requisiti sono i seguenti:

• Dovrebbe comportarsi come strstr () (ovvero restituire un puntatore al punto di corrispondenza).
• Non distingue tra maiuscole e minuscole (doh).
• Deve supportare le impostazioni internazionali correnti.
• Deve essere disponibile su Windows (MSVC ++ 8.0) o facilmente trasportabile su Windows (ovvero da una libreria open source).

Ecco l'implementazione attuale che sto usando (presa dalla GNU C Library):

/* Return the offset of one string within another.
   Copyright (C) 1994,1996,1997,1998,1999,2000 Free Software Foundation, Inc.
   This file is part of the GNU C Library.

   The GNU C Library is free software; you can redistribute it and/or
   modify it under the terms of the GNU Lesser General Public
   License as published by the Free Software Foundation; either
   version 2.1 of the License, or (at your option) any later version.

   The GNU C Library is distributed in the hope that it will be useful,
   but WITHOUT ANY WARRANTY; without even the implied warranty of
   MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
   Lesser General Public License for more details.

   You should have received a copy of the GNU Lesser General Public
   License along with the GNU C Library; if not, write to the Free
   Software Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA
   02111-1307 USA.  */

/*
 * My personal strstr() implementation that beats most other algorithms.
 * Until someone tells me otherwise, I assume that this is the
 * fastest implementation of strstr() in C.
 * I deliberately chose not to comment it.  You should have at least
 * as much fun trying to understand it, as I had to write it :-).
 *
 * Stephen R. van den Berg, berg@pool.informatik.rwth-aachen.de */

/*
 * Modified to use table lookup instead of tolower(), since tolower() isn't
 * worth s*** on Windows.
 *
 * -- Anders Sandvig (anders@wincue.org)
 */

#if HAVE_CONFIG_H
# include <config.h>
#endif

#include <ctype.h>
#include <string.h>

typedef unsigned chartype;

char char_table[256];

void init_stristr(void)
{
  int i;
  char string[2];

  string[1] = '\0';
  for (i = 0; i < 256; i++)
  {
    string[0] = i;
    _strlwr(string);
    char_table[i] = string[0];
  }
}

#define my_tolower(a) ((chartype) char_table[a])

char *
my_stristr (phaystack, pneedle)
     const char *phaystack;
     const char *pneedle;
{
  register const unsigned char *haystack, *needle;
  register chartype b, c;

  haystack = (const unsigned char *) phaystack;
  needle = (const unsigned char *) pneedle;

  b = my_tolower (*needle); 
  if (b != '\0')
  {
    haystack--;             /* possible ANSI violation */
    do
      {
        c = *++haystack;
        if (c == '\0')
          goto ret0;
      }
    while (my_tolower (c) != (int) b);

    c = my_tolower (*++needle);
    if (c == '\0')
        goto foundneedle;

    ++needle;
    goto jin;

    for (;;)
    {
      register chartype a;
        register const unsigned char *rhaystack, *rneedle;

        do
        {
          a = *++haystack;
          if (a == '\0')
              goto ret0;
          if (my_tolower (a) == (int) b)
              break;
          a = *++haystack;
          if (a == '\0')
              goto ret0;
        shloop:
          ;
        }
      while (my_tolower (a) != (int) b);

jin:      
      a = *++haystack;
      if (a == '\0')
          goto ret0;

        if (my_tolower (a) != (int) c)
          goto shloop;

        rhaystack = haystack-- + 1;
        rneedle = needle;

        a = my_tolower (*rneedle);

        if (my_tolower (*rhaystack) == (int) a)
          do
          {
              if (a == '\0')
                goto foundneedle;

              ++rhaystack;
          a = my_tolower (*++needle);
              if (my_tolower (*rhaystack) != (int) a)
                break;

          if (a == '\0')
                goto foundneedle;

          ++rhaystack;
              a = my_tolower (*++needle);
          }
          while (my_tolower (*rhaystack) == (int) a);

        needle = rneedle;       /* took the register-poor approach */

      if (a == '\0')
          break;
    }
  }
foundneedle:
  return (char*) haystack;
ret0:
  return 0;
}

Puoi rendere questo codice più veloce o conosci un'implementazione migliore?

Nota: ho notato che la libreria GNU C ora ha una nuova implementazione di strstr () , ma non sono sicuro quanto facilmente può essere modificato per non distinguere tra maiuscole e minuscole, o se in effetti è più veloce di quello vecchio (nel mio caso). Ho anche notato che la vecchia implementazione viene ancora utilizzata per stringhe di caratteri di grandi dimensioni , quindi se qualcuno sa perché, per favore condividi.

Aggiorna

Solo per chiarire le cose & # 8212; nel caso in cui non fosse già & # 8212; Non ho scritto questa funzione, fa parte della GNU C Library. L'ho modificato solo per distinguere tra maiuscole e minuscole.

Inoltre, grazie per il suggerimento su strcasestr () e per aver verificato altre implementazioni da altre fonti (come OpenBSD, FreeBSD, ecc.). Sembra essere la strada da percorrere. Il codice sopra è del 2003, motivo per cui l'ho pubblicato qui nella speranza che sia disponibile una versione migliore, che a quanto pare lo è. :)

Answer 1

Il codice che hai pubblicato è circa la metà più veloce di strcasestr .

$ gcc -Wall -o my_stristr my_stristr.c
steve@solaris:~/code/tmp
$ gcc -Wall -o strcasestr strcasestr.c 
steve@solaris:~/code/tmp
$ ./bench ./my_stristr > my_stristr.result ; ./bench ./strcasestr > strcasestr.result;
steve@solaris:~/code/tmp
$ cat my_stristr.result 
run 1... time = 6.32
run 2... time = 6.31
run 3... time = 6.31
run 4... time = 6.31
run 5... time = 6.32
run 6... time = 6.31
run 7... time = 6.31
run 8... time = 6.31
run 9... time = 6.31
run 10... time = 6.31
average user time over 10 runs = 6.3120
steve@solaris:~/code/tmp
$ cat strcasestr.result 
run 1... time = 3.82
run 2... time = 3.82
run 3... time = 3.82
run 4... time = 3.82
run 5... time = 3.82
run 6... time = 3.82
run 7... time = 3.82
run 8... time = 3.82
run 9... time = 3.82
run 10... time = 3.82
average user time over 10 runs = 3.8200
steve@solaris:~/code/tmp

La funzione main era:

int main(void)
{
        char * needle="hello";
        char haystack[1024];
        int i;

        for(i=0;i<sizeof(haystack)-strlen(needle)-1;++i)
        {
                haystack[i]='A'+i%57;
        }
        memcpy(haystack+i,needle, strlen(needle)+1);
        /*printf("%s\n%d\n", haystack, haystack[strlen(haystack)]);*/
        init_stristr();

        for (i=0;i<1000000;++i)
        {
                /*my_stristr(haystack, needle);*/
                strcasestr(haystack,needle);
        }


        return 0;
}

È stato opportunamente modificato per testare entrambe le implementazioni. Noto mentre lo sto scrivendo ho lasciato nella chiamata init_stristr , ma non dovrebbe cambiare troppo le cose. bench è solo un semplice script shell:

#!/bin/bash
function bc_calc()
{
        echo $(echo "scale=4;$1" | bc)
}
time="/usr/bin/time -p"
prog="$1"
accum=0
runs=10
for a in $(jot $runs 1 $runs)
do
        echo -n "run $a... "
        t=$($time $prog 2>&1| grep user | awk '{print $2}')
        echo "time = $t"
        accum=$(bc_calc "$accum+$t")
done

echo -n "average user time over $runs runs = "
echo $(bc_calc "$accum/$runs")

Answer 2

È possibile utilizzare la funzione StrStrI che trova la prima occorrenza di una sottostringa all'interno di una stringa. Il confronto non fa distinzione tra maiuscole e minuscole. Non dimenticare di includere la sua intestazione - Shlwapi.h. Dai un'occhiata a: http: // msdn.microsoft.com/en-us/library/windows/desktop/bb773439(v=vs.85).aspx

Answer 3

Per uso indipendente dalla piattaforma:

const wchar_t *szk_wcsstri(const wchar_t *s1, const wchar_t *s2)
{
    if (s1 == NULL || s2 == NULL) return NULL;
    const wchar_t *cpws1 = s1, *cpws1_, *cpws2;
    char ch1, ch2;
    bool bSame;

    while (*cpws1 != L'\0')
    {
        bSame = true;
        if (*cpws1 != *s2)
        {
            ch1 = towlower(*cpws1);
            ch2 = towlower(*s2);

            if (ch1 == ch2)
                bSame = true;
        }

        if (true == bSame)
        {
            cpws1_ = cpws1;
            cpws2 = s2;
            while (*cpws1_ != L'\0')
            {
                ch1 = towlower(*cpws1_);
                ch2 = towlower(*cpws2);

                if (ch1 != ch2)
                    break;

                cpws2++;

                if (*cpws2 == L'\0')
                    return cpws1_-(cpws2 - s2 - 0x01);
                cpws1_++;
            }
        }
        cpws1++;
    }
    return NULL;
}

Answer 4

Perché usi _strlwr (stringa); in init_stristr ()? Non è una funzione standard. Presumibilmente è per il supporto locale, ma poiché non è standard, userei solo:

char_table[i] = tolower(i);

Answer 5

usa boost algo string . È disponibile, multipiattaforma e solo un file di intestazione (nessuna libreria per il collegamento). Per non parlare del fatto che dovresti comunque utilizzare boost.

#include <boost/algorithm/string/find.hpp>

const char* istrstr( const char* haystack, const char* needle )
{
   using namespace boost;
   iterator_range<char*> result = ifind_first( haystack, needle );
   if( result ) return result.begin();

   return NULL;
}

Answer 6

Ti consiglio di prendere alcune delle implementazioni di strcasestr comuni già esistenti. Ad esempio di glib, glibc, OpenBSD, FreeBSD, ecc. Puoi cercare di più con google.com/codesearch. È quindi possibile effettuare alcune misurazioni delle prestazioni e confrontare le diverse implementazioni.

Answer 7

Supponendo che entrambe le stringhe di input siano già in minuscolo.

int StringInStringFindFirst(const char* p_cText, const char* p_cSearchText)
{
    int iTextSize = strlen(p_cText);
    int iSearchTextSize = strlen(p_cSearchText);

    char* p_cFound = NULL;

    if(iTextSize >= iSearchTextSize)
    {
        int iCounter = 0;
        while((iCounter + iSearchTextSize) <= iTextSize)
        {
            if(memcmp( (p_cText + iCounter), p_cSearchText, iSearchTextSize) == 0)
                return  iCounter;
            iCounter ++;
        }
    }

    return -1;
}

Potresti anche provare a usare le maschere ... se per esempio la maggior parte delle stringhe che stai per confrontare contiene solo caratteri dalla a alla z, forse vale la pena fare qualcosa del genere.

long GetStringMask(const char* p_cText)
{
    long lMask=0;

    while(*p_cText != '\0')
    {       
        if (*p_cText>='a' && *p_cText<='z')
            lMask = lMask | (1 << (*p_cText - 'a') );
        else if(*p_cText != ' ')
        {
            lMask = 0;
            break;      
        }

        p_cText ++;
    }
    return lMask;
}

Quindi ...

int main(int argc, char* argv[])
{

    char* p_cText = "this is a test";   
    char* p_cSearchText = "test";

    long lTextMask = GetStringMask(p_cText);
    long lSearchMask = GetStringMask(p_cSearchText);

    int iFoundAt = -1;
    // If Both masks are Valid
    if(lTextMask != 0 && lSearchMask != 0)
    {
        if((lTextMask & lSearchMask) == lSearchMask)
        {       
             iFoundAt = StringInStringFindFirst(p_cText, p_cSearchText);
        }
    }
    else
    {
        iFoundAt = StringInStringFindFirst(p_cText, p_cSearchText);
    }


    return 0;
}

Answer 8

Questo non prenderà in considerazione le impostazioni locali, ma se puoi modificare IS_ALPHA e TO_UPPER puoi farlo considerare.

#define IS_ALPHA(c) (((c) >= 'A' && (c) <= 'Z') || ((c) >= 'a' && (c) <= 'z'))
#define TO_UPPER(c) ((c) & 0xDF)

char * __cdecl strstri (const char * str1, const char * str2){
        char *cp = (char *) str1;
        char *s1, *s2;

        if ( !*str2 )
            return((char *)str1);

        while (*cp){
                s1 = cp;
                s2 = (char *) str2;

                while ( *s1 && *s2 && (IS_ALPHA(*s1) && IS_ALPHA(*s2))?!(TO_UPPER(*s1) - TO_UPPER(*s2)):!(*s1-*s2))
                        ++s1, ++s2;

                if (!*s2)
                        return(cp);

                ++cp;
        }
        return(NULL);
}

Answer 9

Se vuoi eliminare i cicli della CPU, potresti considerare questo: supponiamo che abbiamo a che fare con ASCII e non con Unicode.

Crea una tabella statica con 256 voci. Ogni voce nella tabella è di 256 bit.

Per verificare se due caratteri sono uguali, fai qualcosa del genere:

if (BitLookup(table[char1], char2)) { /* match */ }

Per costruire la tabella, devi impostare un po 'ovunque nella tabella [char1] dove la consideri una corrispondenza per char2. Quindi, nella costruzione della tabella, dovresti impostare i bit nell'indice per "a" e "A" nella voce "a" (e nella voce "A").

Ora sarà un po 'lento eseguire la ricerca dei bit (la ricerca dei bit sarà uno spostamento, maschera e aggiunta molto probabilmente), quindi potresti usare invece una tabella di byte in modo da usare 8 bit per rappresentare 1 bit. Ci vorranno 32K - quindi evviva - hai raggiunto un compromesso tempo / spazio! Potremmo voler rendere il tavolo più flessibile, quindi diciamo che lo facciamo invece - il tavolo definirà invece le congruenze.

Due caratteri sono considerati congruenti se e solo se esiste una funzione che li definisce equivalenti. Quindi 'A' e 'a' sono congruenti per l'insensibilità al caso. 'A', 'À', 'Á' e 'Â' sono congruenti per l'insensibilità diacritica.

Quindi definisci bitfield corrispondenti alle tue congruenze

#define kCongruentCase (1 << 0)
#define kCongruentDiacritical (1 << 1)
#define kCongruentVowel (1 << 2)
#define kCongruentConsonant (1 << 3)

Quindi il tuo test è qualcosa del genere:

inline bool CharsAreCongruent(char c1, char c2, unsigned char congruency)
{
    return (_congruencyTable[c1][c2] & congruency) != 0;
}

#define CaseInsensitiveCharEqual(c1, c2) CharsAreCongruent(c1, c2, kCongruentCase)

Questo tipo di armeggiare con tavoli enormi è il cuore del tipo, a proposito.

Answer 10

Se riesci a controllare la stringa dell'ago in modo che sia sempre in minuscolo, puoi scrivere una versione modificata di stristr () per evitare le ricerche per quello, e quindi accelerare il codice. Non è così generale, ma può essere più veloce, leggermente più veloce. Commenti simili si applicano al pagliaio, ma è più probabile che tu stia leggendo il pagliaio da fonti al di fuori del tuo controllo in quanto non puoi essere certo che i dati soddisfino il requisito.

Se vale il guadagno in termini di prestazioni, è un'altra domanda del tutto. Per il 99% delle domande, la risposta è "No, non ne vale la pena". L'applicazione potrebbe essere una delle minuscole minoranze in cui è importante. Più probabilmente, non lo è.