4

在 Konrad Rudolph 对相关问题的评论的提示下，我编写了以下程序来对 F# 中的正则表达式性能进行基准测试：

open System.Text.RegularExpressions
let str = System.IO.File.ReadAllText "C:\\Users\\Jon\\Documents\\pg10.txt"
let re = System.IO.File.ReadAllText "C:\\Users\\Jon\\Documents\\re.txt"
for _ in 1..3 do
  let timer = System.Diagnostics.Stopwatch.StartNew()
  let re = Regex(re, RegexOptions.Compiled)
  let res = Array.Parallel.init 4 (fun _ -> re.Split str |> Seq.sumBy (fun m -> m.Length))
  printfn "%A %fs" res timer.Elapsed.TotalSeconds

和 C++ 中的等价物：

#include "stdafx.h"

#include <windows.h>
#include <regex>
#include <vector>
#include <string>
#include <fstream>
#include <cstdio>
#include <codecvt>

using namespace std;

wstring load(wstring filename) {
    const locale empty_locale = locale::empty();
    typedef codecvt_utf8<wchar_t> converter_type;
    const converter_type* converter = new converter_type;
    const locale utf8_locale = locale(empty_locale, converter);
    wifstream in(filename);
    wstring contents;
    if (in)
    {
        in.seekg(0, ios::end);
        contents.resize(in.tellg());
        in.seekg(0, ios::beg);
        in.read(&contents[0], contents.size());
        in.close();
    }
    return(contents);
}

int count(const wstring &re, const wstring &s){
    static const wregex rsplit(re);
    auto rit = wsregex_token_iterator(s.begin(), s.end(), rsplit, -1);
    auto rend = wsregex_token_iterator();
    int count=0;
    for (auto it=rit; it!=rend; ++it)
        count += it->length();
    return count;
}

int _tmain(int argc, _TCHAR* argv[])
{
    wstring str = load(L"pg10.txt");
    wstring re = load(L"re.txt");

    __int64 freq, tStart, tStop;
    unsigned long TimeDiff;
    QueryPerformanceFrequency((LARGE_INTEGER *)&freq);
    QueryPerformanceCounter((LARGE_INTEGER *)&tStart);

    vector<int> res(4);

#pragma omp parallel num_threads(4)
    for(auto i=0; i<res.size(); ++i)
        res[i] = count(re, str);

    QueryPerformanceCounter((LARGE_INTEGER *)&tStop);
    TimeDiff = (unsigned long)(((tStop - tStart) * 1000000) / freq);
    printf("(%d, %d, %d, %d) %fs\n", res[0], res[1], res[2], res[3], TimeDiff/1e6);
    return 0;
}

两个程序都将两个文件加载为 unicode 字符串（我使用的是圣经的副本），构造一个非平凡的 unicode 正则表达式\w?\w?\w?\w?\w?\w，并使用正则表达式将字符串并行拆分四次，返回拆分字符串的长度总和（在为了避免分配）。

在面向 64 位的发布版本中同时在 Visual Studio（为 C++ 启用 MP 和 OpenMP）中运行，C++ 需要 43.5 秒，F# 需要 3.28 秒（快 13 倍以上）。这并不让我感到惊讶，因为我相信 .NET JIT 将正则表达式编译为本机代码，而 C++ stdlib 解释它，但我想要一些同行评审。

我的 C++ 代码中是否存在性能错误，或者这是编译正则表达式与解释正则表达式的结果？

编辑：Billy ONeal 指出.NET 可以有不同的解释，\w所以我在一个新的正则表达式中明确表示：

[0-9A-Za-z_]?[0-9A-Za-z_]?[0-9A-Za-z_]?[0-9A-Za-z_]?[0-9A-Za-z_]?[0-9A-Za-z_]

这实际上使 .NET 代码显着加快（C++ 相同），将 F# 的时间从 3.28 秒减少到 2.38 秒（快 17 倍以上）。

4

1 回答 1

11

这些基准测试并没有真正的可比性——C++ 和 .NET 实现了完全不同的正则表达式语言（ECMAScript 与 Perl），并且由完全不同的正则表达式引擎提供支持。.NET（据我所知）从这里的GRETA 项目中受益，该项目产生了一个绝对出色的正则表达式引擎，已经调整了多年。相比之下，C++std::regex是最近添加的（至少在 MSVC++ 上，我假设您正在使用非标准类型__int64和朋友）。

您可以在此处查看 GRETA 与更成熟的std::regex实现boost::regex的对比（尽管该测试是在 Visual Studio 2003 上完成的）。

您还应该记住，正则表达式的性能高度依赖于您的源字符串和正则表达式。一些正则表达式引擎花费大量时间解析正则表达式以更快地通过更多源文本；只有在解析大量文本时才有意义的权衡。一些正则表达式引擎以扫描速度为代价换取进行匹配的成本相对较高（因此匹配的数量会产生影响）。这里有大量的权衡；一对输入真的会让故事变得模糊不清。

因此，要更明确地回答您的问题：这种变化在正则表达式引擎中是正常的，无论它们是编译的还是解释的。看看上面 boost 的测试，最快和最慢的实现之间的差异通常相差数百倍——根据您的用例，17 倍并不是那么奇怪。

于 2013-11-05T20:52:16.903 回答