Самый быстрый способ выполнить поиск по подстроке без учета регистра в C / C ++?
-
03-07-2019 - |
Вопрос
Примечание
Приведенный ниже вопрос был задан в 2008 году о каком-то коде из 2003 года.В качестве операционной Обновить показывает, что весь этот пост устарел из-за устаревших алгоритмов 2008 года и сохраняется здесь только как исторический курьез.
Мне нужно выполнить быстрый поиск подстроки без учета регистра в C / C ++.Мои требования заключаются в следующем:
- Должен вести себя как strstr() (т.е.возвращает указатель на точку совпадения).
- Должно быть, без учета регистра (doh).
- Должен поддерживать текущую локаль.
- Должен быть доступен в Windows (MSVC ++ 8.0) или легко переносим в Windows (т. е.из библиотеки с открытым исходным кодом).
Вот текущая реализация, которую я использую (взята из библиотеки 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;
}
Можете ли вы сделать этот код быстрее, или вы знаете о лучшей реализации?
Примечание: Я заметил, что библиотека GNU C теперь имеет новая реализация strstr()
, но я не уверен, насколько легко его можно изменить, чтобы он не учитывал регистр, или действительно ли он быстрее старого (в моем случае).Я также заметил , что старая реализация все еще используется для широких символьных строк, так что, если кто-нибудь знает почему, пожалуйста, поделитесь.
Обновить
Просто чтобы внести ясность — на случай, если этого еще не было, - я не писал эту функцию, это часть библиотеки GNU C.Я только изменил его, чтобы он не учитывал регистр.
Кроме того, спасибо за совет по поводу strcasestr()
и проверяю другие реализации из других источников (таких как OpenBSD, FreeBSD и т.д.).Кажется, это правильный путь.Приведенный выше код относится к 2003 году, именно поэтому я разместил его здесь в надежде на доступность лучшей версии, что, по-видимому, и есть.:)
Решение
Опубликованный вами код примерно в два раза быстрее, чем 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
Тот Самый main
функция была:
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;
}
Он был соответствующим образом изменен для тестирования обеих реализаций.Я замечаю, что, печатая это, я оставил в init_stristr
звони, но это не должно слишком сильно что-то менять. bench
это всего лишь простой сценарий оболочки:
#!/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")
Другие советы
Вы можете использовать функцию StrStrI, которая находит первое вхождение подстроки в строке.Сравнение не чувствительно к регистру.Не забудьте включить его заголовок - Shlwapi.h.Посмотри на это: http://msdn.microsoft.com/en-us/library/windows/desktop/bb773439 (v=против 85).aspx
Для использования независимо от платформы:
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;
}
Почему вы используете _strlwr(строка);в init_stristr()?Это не стандартная функция.Предположительно, это для поддержки локали, но поскольку это не стандартно, я бы просто использовал:
char_table[i] = tolower(i);
использование алгоритм подталкивания строки.Он доступен, кроссплатформенный и представляет собой только заголовочный файл (без библиотеки для ссылки).Не говоря уже о том, что вы все равно должны использовать 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;
}
Я бы посоветовал вам воспользоваться некоторыми из распространенных реализаций strcasestr, которые уже существуют.Например, glib, glibc, OpenBSD, FreeBSD и т.д.Вы можете найти больше с помощью google.com/codesearch.Затем вы можете провести некоторые измерения производительности и сравнить различные реализации.
Предполагая, что обе входные строки уже написаны строчными буквами.
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;
}
Вы также могли бы попробовать использовать маски...если, например, большинство строк, которые вы собираетесь сравнивать, содержат только символы от a до z, возможно, стоит сделать что-то вроде этого.
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;
}
Затем...
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;
}
При этом не будет учитываться локаль, но если вы можете изменить IS_ALPHA и TO_UPPER, вы можете заставить его учитывать это.
#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);
}
Если вы хотите сократить циклы процессора, вы могли бы рассмотреть это - давайте предположим, что мы имеем дело с ASCII, а не с Unicode.
Создайте статическую таблицу из 256 записей.Каждая запись в таблице состоит из 256 бит.
Чтобы проверить, равны ли два символа, вы делаете что-то вроде этого:
if (BitLookup(table[char1], char2)) { /* match */ }
Чтобы построить таблицу, вы устанавливаете бит везде в таблице [char1], где вы считаете, что он соответствует char2.Таким образом, при построении таблицы вы должны установить биты в индексе для 'a' и 'A' в 'a'й записи (и 'A'th записи).
Теперь выполнение битового поиска будет медленным (битовый поиск, скорее всего, будет сдвигом, маскировкой и добавлением), поэтому вы могли бы использовать вместо этого таблицу байтов, чтобы использовать 8 бит для представления 1 бита.На это уйдет 32 тысячи - так что ура - вы нашли компромисс между временем и пространством!Возможно, мы захотим сделать таблицу более гибкой, поэтому предположим, что вместо этого мы сделаем это - вместо этого таблица будет определять соответствия.
Два символа считаются совпадающими тогда и только тогда, когда существует функция, которая определяет их как эквивалентные.Таким образом, "A" и "a" совпадают из-за нечувствительности к регистру.'A', 'À', 'Á' и 'Â' совпадают по нечувствительности к диакритическим знакам.
Итак, вы определяете битовые поля, соответствующие вашим соответствиям
#define kCongruentCase (1 << 0)
#define kCongruentDiacritical (1 << 1)
#define kCongruentVowel (1 << 2)
#define kCongruentConsonant (1 << 3)
Тогда ваш тест выглядит примерно так:
inline bool CharsAreCongruent(char c1, char c2, unsigned char congruency)
{
return (_congruencyTable[c1][c2] & congruency) != 0;
}
#define CaseInsensitiveCharEqual(c1, c2) CharsAreCongruent(c1, c2, kCongruentCase)
Между прочим, такого рода возня с огромными таблицами - это сердце ctype.
Если вы можете управлять строкой needle так, чтобы она всегда была в нижнем регистре, то вы можете написать модифицированную версию stristr(), чтобы избежать поиска для этого и, таким образом, ускорить код.Это не так просто, но может быть быстрее - немного быстрее.Аналогичные комментарии применимы к haystack, но вы, скорее всего, читаете haystack из источников, находящихся вне вашего контроля, поскольку вы не можете быть уверены, что данные соответствуют требованиям.
Стоит ли этого выигрыш в производительности - это совершенно другой вопрос.Для 99% приложений ответ таков: "Нет, оно того не стоит".Ваша заявка может быть одной из того крошечного меньшинства, где это имеет значение.Скорее всего, это не так.