Sto offrendo alcuni risultati di benchmarking confrontando gli approcci più importanti presentati finora, vale a dire @ bobince findnth()(basato su str.split()) contro @ tgamblin o @Mark Byers find_nth()(basato su str.find()). Metterò a confronto anche un'estensione C ( _find_nth.so) per vedere quanto velocemente possiamo andare. Ecco 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
Ovviamente, le prestazioni sono più importanti se la stringa è grande, quindi supponiamo di voler trovare il 1000001 ° newline ('\ n') in un file da 1.3 GB chiamato 'bigfile'. Per risparmiare memoria, vorremmo lavorare su una mmap.mmaprappresentazione dell'oggetto del file:
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)
C'è già il primo problema con findnth(), poiché gli mmap.mmapoggetti non supportano split(). Quindi dobbiamo effettivamente copiare l'intero file in memoria:
In [4]: %time s = mm[:]
CPU times: user 813 ms, sys: 3.25 s, total: 4.06 s
Wall time: 17.7 s
Ahia! Fortunatamente srientra ancora nei 4 GB di memoria del mio Macbook Air, quindi facciamo un benchmark findnth():
In [5]: %timeit find_nth.findnth(s, '\n', 1000000)
1 loops, best of 3: 29.9 s per loop
Chiaramente una prestazione terribile. Vediamo come funziona l'approccio basato su str.find():
In [6]: %timeit find_nth.find_nth(s, '\n', 1000000)
1 loops, best of 3: 774 ms per loop
Molto meglio! Chiaramente, findnth()il problema è che è costretto a copiare la stringa durante split(), che è già la seconda volta che copiamo gli 1.3 GB di dati in giro dopo s = mm[:]. Ecco il secondo vantaggio di find_nth(): Possiamo usarlo mmdirettamente, in modo tale che siano necessarie zero copie del file:
In [7]: %timeit find_nth.find_nth(mm, '\n', 1000000)
1 loops, best of 3: 1.21 s per loop
Sembra esserci una piccola penalizzazione delle prestazioni operando su mmvs. s, ma questo dimostra che find_nth()può darci una risposta in 1,2 s rispetto al findnthtotale di 47 s.
Non ho trovato casi in cui l' str.find()approccio basato fosse significativamente peggiore dell'approccio str.split()basato, quindi a questo punto, direi che la risposta di @ tgamblin o di @Mark Byers dovrebbe essere accettata invece di @ bobince.
Nei miei test, la versione di cui find_nth()sopra era la soluzione Python pura più veloce che potessi trovare (molto simile alla versione di @Mark Byers). Vediamo quanto meglio possiamo fare con un modulo di estensione C. Ecco _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);
}
Ecco il setup.pyfile:
from distutils.core import setup, Extension
module = Extension('_find_nth', sources=['_find_nthmodule.c'])
setup(ext_modules=[module])
Installa come al solito con python setup.py install. Il codice C gioca un vantaggio qui poiché è limitato alla ricerca di singoli caratteri, ma vediamo quanto è veloce:
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
Chiaramente ancora un po 'più veloce. È interessante notare che non c'è differenza a livello C tra i casi in memoria e quelli mappati. E 'anche interessante notare che _find_nth2(), che si basa sul string.h's memchr()funzione di libreria, perde contro l'attuazione immediata di _find_nth(): Le ulteriori 'ottimizzazioni' in memchr()apparentemente ritorni di fiamma ...
In conclusione, l'implementazione in findnth()(basata su str.split()) è davvero una cattiva idea, poiché (a) si comporta in modo terribile per stringhe più grandi a causa della copia richiesta e (b) non funziona affatto sugli mmap.mmapoggetti. L'implementazione in find_nth()(basata su str.find()) dovrebbe essere preferita in tutte le circostanze (e quindi essere la risposta accettata a questa domanda).
C'è ancora un bel po 'di margine di miglioramento, poiché l'estensione C ha funzionato quasi un fattore 4 più velocemente del puro codice Python, indicando che potrebbe esserci un caso per una funzione di libreria Python dedicata.