Я предлагаю результаты сравнительного анализа наиболее известных подходов, представленных на данный момент, а именно: @bobince findnth()(на основе str.split()) и @ tgamblin или @Mark Byers find_nth()(на основе str.find()). Я также сравню с расширением C ( _find_nth.so), чтобы увидеть, насколько быстро мы можем работать. Вот find_nth.py:
def findnth(haystack, needle, n):
parts= haystack.split(needle, n+1)
if len(parts)<=n+1:
return -1
return len(haystack)-len(parts[-1])-len(needle)
def find_nth(s, x, n=0, overlap=False):
l = 1 if overlap else len(x)
i = -l
for c in xrange(n + 1):
i = s.find(x, i + l)
if i < 0:
break
return i
Конечно, производительность имеет наибольшее значение, если строка большая, поэтому предположим, что мы хотим найти 1000001-ю новую строку ('\ n') в файле размером 1,3 ГБ с именем 'bigfile'. Чтобы сэкономить память, мы хотели бы поработать над mmap.mmapобъектным представлением файла:
In [1]: import _find_nth, find_nth, mmap
In [2]: f = open('bigfile', 'r')
In [3]: mm = mmap.mmap(f.fileno(), 0, access=mmap.ACCESS_READ)
Уже есть первая проблема findnth(), так как mmap.mmapобъекты не поддерживают split(). Таким образом, нам действительно нужно скопировать весь файл в память:
In [4]: %time s = mm[:]
CPU times: user 813 ms, sys: 3.25 s, total: 4.06 s
Wall time: 17.7 s
Ой! К счастью, sвсе еще умещается в 4 ГБ памяти моего Macbook Air, так что давайте посмотрим findnth():
In [5]: %timeit find_nth.findnth(s, '\n', 1000000)
1 loops, best of 3: 29.9 s per loop
Явно ужасная производительность. Посмотрим, как работает подход, основанный на str.find():
In [6]: %timeit find_nth.find_nth(s, '\n', 1000000)
1 loops, best of 3: 774 ms per loop
Намного лучше! Очевидно, findnth()проблема заключается в том, что он вынужден копировать строку во время split(), а это уже второй раз, когда мы скопировали 1,3 ГБ данных примерно после этого s = mm[:]. А вот во втором преимущество find_nth(): Мы можем использовать его mmнепосредственно, например , что нулевые копии файла требуется:
In [7]: %timeit find_nth.find_nth(mm, '\n', 1000000)
1 loops, best of 3: 1.21 s per loop
Кажется, есть небольшое снижение производительности при работе с mmvs. s, но это показывает, что мы find_nth()можем получить ответ за 1,2 с по сравнению сfindnth с общим значением 47 с.
Я не нашел случаев, когда str.find()основанный подход был значительно хуже, чемstr.split() основанный подход, поэтому на данном этапе я бы сказал, что следует принять ответ @ tgamblin или @Mark Byers вместо ответа @bobince.
В моем тестировании версия find_nth()выше была самым быстрым решением на чистом Python, которое я мог придумать (очень похоже на версию @Mark Byers). Посмотрим, насколько лучше мы можем сделать с модулем расширения C. Вот _find_nthmodule.c:
#include <Python.h>
#include <string.h>
off_t _find_nth(const char *buf, size_t l, char c, int n) {
off_t i;
for (i = 0; i < l; ++i) {
if (buf[i] == c && n-- == 0) {
return i;
}
}
return -1;
}
off_t _find_nth2(const char *buf, size_t l, char c, int n) {
const char *b = buf - 1;
do {
b = memchr(b + 1, c, l);
if (!b) return -1;
} while (n--);
return b - buf;
}
/* mmap_object is private in mmapmodule.c - replicate beginning here */
typedef struct {
PyObject_HEAD
char *data;
size_t size;
} mmap_object;
typedef struct {
const char *s;
size_t l;
char c;
int n;
} params;
int parse_args(PyObject *args, params *P) {
PyObject *obj;
const char *x;
if (!PyArg_ParseTuple(args, "Osi", &obj, &x, &P->n)) {
return 1;
}
PyTypeObject *type = Py_TYPE(obj);
if (type == &PyString_Type) {
P->s = PyString_AS_STRING(obj);
P->l = PyString_GET_SIZE(obj);
} else if (!strcmp(type->tp_name, "mmap.mmap")) {
mmap_object *m_obj = (mmap_object*) obj;
P->s = m_obj->data;
P->l = m_obj->size;
} else {
PyErr_SetString(PyExc_TypeError, "Cannot obtain char * from argument 0");
return 1;
}
P->c = x[0];
return 0;
}
static PyObject* py_find_nth(PyObject *self, PyObject *args) {
params P;
if (!parse_args(args, &P)) {
return Py_BuildValue("i", _find_nth(P.s, P.l, P.c, P.n));
} else {
return NULL;
}
}
static PyObject* py_find_nth2(PyObject *self, PyObject *args) {
params P;
if (!parse_args(args, &P)) {
return Py_BuildValue("i", _find_nth2(P.s, P.l, P.c, P.n));
} else {
return NULL;
}
}
static PyMethodDef methods[] = {
{"find_nth", py_find_nth, METH_VARARGS, ""},
{"find_nth2", py_find_nth2, METH_VARARGS, ""},
{0}
};
PyMODINIT_FUNC init_find_nth(void) {
Py_InitModule("_find_nth", methods);
}
Вот setup.pyфайл:
from distutils.core import setup, Extension
module = Extension('_find_nth', sources=['_find_nthmodule.c'])
setup(ext_modules=[module])
Установить как обычно с помощью python setup.py install. Код C здесь имеет преимущество, поскольку он ограничен поиском отдельных символов, но давайте посмотрим, насколько это быстро:
In [8]: %timeit _find_nth.find_nth(mm, '\n', 1000000)
1 loops, best of 3: 218 ms per loop
In [9]: %timeit _find_nth.find_nth(s, '\n', 1000000)
1 loops, best of 3: 216 ms per loop
In [10]: %timeit _find_nth.find_nth2(mm, '\n', 1000000)
1 loops, best of 3: 307 ms per loop
In [11]: %timeit _find_nth.find_nth2(s, '\n', 1000000)
1 loops, best of 3: 304 ms per loop
Ясно, что еще немного быстрее. Интересно, что на уровне C нет разницы между случаями in-memory и mmapped. Также интересно отметить , что _find_nth2(), в основе которой лежит string.h«S memchr()библиотечной функции, теряет против простой реализации в _find_nth(): Дополнительному„оптимизации“вmemchr() по- видимому , отражающиеся ...
В заключение, реализация в findnth()(на основе str.split()) - действительно плохая идея, так как (а) она ужасно работает для больших строк из-за необходимого копирования, и (б) она вообще не работает с mmap.mmapобъектами. Реализация в find_nth()(на основе str.find()) должна быть предпочтительнее при любых обстоятельствах (и, следовательно, быть принятым ответом на этот вопрос).
Есть еще немало возможностей для улучшения, поскольку расширение C работает почти в 4 раза быстрее, чем чистый код Python, что указывает на то, что может быть случай для специальной библиотечной функции Python.