maneira mais rápida de fazer uma pesquisa substring case-insensitive em C / C ++?

Question

Nota

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. :)

Answer 1

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")

Answer 2

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

Answer 3

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;
}

Answer 4

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);

Answer 5

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;
}

Answer 6

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.

Answer 7

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;
}

Answer 8

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);
}

Answer 9

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.

Answer 10

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.