maneira mais rápida de fazer uma pesquisa substring case-insensitive em C / C ++?
-
03-07-2019 - |
Pergunta
Nota ??h2>
A pergunta abaixo foi questionado em 2008 sobre um código de 2003. Como atualização mostra do OP, todo este post foi tornado obsoleto por safra 2008 algoritmos e persiste aqui apenas como uma curiosidade histórica.
Eu preciso fazer uma pesquisa substring case-insensitive rápido em C / C ++. Meus requisitos são os seguintes:
- deve se comportar como strstr () (ou seja, retornar um ponteiro para o ponto de partida).
- Deve ser case-insensitive (DOH).
- Deve suportar o local atual.
- Deve estar disponível no Windows (MSVC ++ 8.0) ou facilmente transportável para o Windows (ou seja, a partir de uma biblioteca de código aberto).
Aqui está a implementação atual que estou usando (retirado da Biblioteca GNU C):
/* 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;
}
Você pode fazer esse código mais rápido, ou você sabe de uma melhor implementação?
Nota: eu notei que a Biblioteca GNU C agora tem uma nova implementação do strstr()
, mas não estou certo de quão facilmente ele pode ser modificado para ser caso -insensitive, ou se é de fato mais rápido que o antigo (no meu caso). Notei também que a implementação antiga ainda é usado para cadeias de caracteres largos , então se alguém sabe por quê, por favor partilhe.
Atualizar
Apenas para tornar as coisas claras-in caso não foi já eu não escrever esta função, é uma parte da Biblioteca C GNU. Eu só modificado para ser maiúsculas e minúsculas.
Além disso, obrigado pela dica sobre strcasestr()
e check-out outras implementações de outras fontes (como OpenBSD, FreeBSD, etc.). Parece ser o caminho a percorrer. O código acima é de 2003, que é por isso que eu postei isso aqui na esperança para uma versão melhor estar disponível, o que aparentemente é. :)
Solução
O código que você postou é cerca de metade tão rápido quanto 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
A função main
foi:
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;
}
foi adequadamente modificado para testar as duas implementações. Eu observo enquanto eu estou escrevendo isso eu deixei na chamada init_stristr
, mas não deve mudar muito as coisas. bench
é apenas um script shell simples:
#!/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")
Outras dicas
Você pode usar a função StrStrI que encontra a primeira ocorrência de uma substring dentro de uma cadeia. A comparação não é caso-sensível. Não se esqueça de incluir seu cabeçalho - Shlwapi.h. Vejam isto: http: // msdn.microsoft.com/en-us/library/windows/desktop/bb773439(v=vs.85).aspx
Para a plataforma uso independente:
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;
}
Por que você usa _strlwr (string); em init_stristr ()? Não é uma função padrão. Presumivelmente é para apoio local, mas como não é normal, eu tinha acabado de usar:
char_table[i] = tolower(i);
impulso corda algo . Ele está disponível plataforma, cruz, e só um arquivo de cabeçalho (nenhuma biblioteca de ligação in). Sem mencionar que você deve estar usando o impulso de qualquer maneira.
#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;
}
eu aconselhá-lo a tirar um pouco da implementação strcasestr comum que já existe. Por exemplo simplista, glibc, OpenBSD, FreeBSD, etc. Você pode procurar mais com google.com/codesearch. Você pode então fazer algumas medições de desempenho e comparar os diferentes implementação.
Assumindo que ambas as cadeias de entrada já estão minúsculas.
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;
}
Você poderia também, tente usar máscaras ... se, por exemplo, a maioria das cordas que você está indo para comparar contém apenas caracteres de A a Z, talvez vale a pena fazer algo parecido com isso.
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;
}
Então ...
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;
}
Este não irá considerar o local, mas se você pode mudar o IS_ALPHA e to_upper você pode torná-lo para considerá-lo.
#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);
}
Se você quiser lançar ciclos de CPU, você pode considerar isso - vamos supor que estamos lidando com ASCII e não Unicode
.Faça uma tabela estática com 256 entradas. Cada entrada na tabela é 256 bits.
Para testar se ou não dois caracteres são iguais, você fazer algo como isto:
if (BitLookup(table[char1], char2)) { /* match */ }
Para criar a tabela, você define um pouco em todos os lugares na tabela [char1] onde você considerá-lo um jogo para char2. Assim, na construção da mesa você deve definir os bits no índice para 'a' e 'A' no 'a'th entrada (e o' entrada A'th).
Agora, isso vai ser slowish para fazer o lookup bit (bit olhar para cima será uma mudança, máscara e adicionar mais provável), então você poderia usar em vez de uma mesa de bytes para que você use 8 bits para representar 1 bit. Isto irá levá-32K - assim hooray - você bateu um tempo / espaço trade-off! Podemos querer fazer a tabela mais flexível, então vamos dizer que fazer isso em vez -. A mesa vai definir congruências vez
Dois personagens são consideradas congruentes se e somente se existe uma função que define como equivalente. So 'A' e 'a' são congruentes para o caso insensibilidade. 'A', 'a', 'a' e 'A' são congruentes para insensibilidade diacrítico.
Assim você define bitfields que correspondem à sua congruências
#define kCongruentCase (1 << 0)
#define kCongruentDiacritical (1 << 1)
#define kCongruentVowel (1 << 2)
#define kCongruentConsonant (1 << 3)
Em seguida, o teste é algo como isto:
inline bool CharsAreCongruent(char c1, char c2, unsigned char congruency)
{
return (_congruencyTable[c1][c2] & congruency) != 0;
}
#define CaseInsensitiveCharEqual(c1, c2) CharsAreCongruent(c1, c2, kCongruentCase)
Este tipo de mexer pouco com mesas ginormous é o coração do ctype, a propósito.
Se você pode controlar a seqüência de agulha de modo que é sempre em letras minúsculas, então você pode escrever uma versão modificada do stristr () para evitar as pesquisas para que, e, assim, acelerar o código. Não é tão geral, mas pode ser mais rápido - um pouco mais rápido. Comentários semelhantes aplicam-se ao palheiro, mas você é mais provável que seja a leitura do palheiro de fontes fora de seu controle para que você não pode ter certeza de que os dados atende ao requisito.
Se o ganho em desempenho vale a pena é outra questão completamente. Para 99% dos pedidos, a resposta é "Não, não vale a pena". Sua aplicação pode ser um dos pequena minoria onde importa. O mais provável é que não é.