前言
最近做了一个过滤代码块功能的接口。就是获取一些博客文章做文本处理,然后这些博客文章的代码块太多了,很多重复的代码关键词如果被拿过来处理,那么会对文本的特征表示已经特征选择会有很大的影响。所以需要将这些代码块的部分给过滤掉。过滤起来很简单,就是找代码块的html 标记,然后将html标记之间的内容给删除就可以了。代码块的html标记一般都是<pre></pre>
我使用了String
,Regex
,StringBuilder
,Span<T>
这些不同的方法来实现这个功能,利用BenchMarks比较它们之间的性能差距。
BenchMarks
要对比不同代码之间的性能差距,还是不用StopWatch
来计算消耗时间,这样简单的方法,而是使用BenchMarksDotNet
包:一个专业的.net core
下测试程序性能的工具包。
BenchMarksDotNet
的github地址
这里简短介绍下BenchMarksDotNet
的使用:
首先新建一个需要测试的类:FilterCodeBlocks
,并在类中写上被测试的方法:FilterCodeBlockByString
public class FilterCodeBlocks
{
public string FilterCodeBlockByString(string content)
{
return content;
}
}
然后新建一个类: FilterCodeBlocksBenchMark
using System;
using System.IO;
using BenchmarkDotNet.Attributes;
using BenchmarkDotNet.Order;
namespace QuickSortBenchMarks
{
[RankColumn]
[Orderer(SummaryOrderPolicy.FastestToSlowest)]
[MemoryDiagnoser]
public class FilterCodeBlocksBenchmarks
{
FilterCodeBlocks FilterCodeBlocks = new FilterCodeBlocks();
[Benchmark]
public void FilterByString()
{
FilterCodeBlocks.FilterCodeBlockByString(s);
}
}
}
最后在入口Progam.cs
中 写上
class Program
{
static void Main(string[] args)
{
var summary = BenchmarkRunner.Run<FilterCodeBlocksBenchmarks>();
}
}
执行dotnet build -c Release
然后 dotnet yourproject.dll
就可以看见BenchMarks测试效果.
铺垫好东西,现在开始进入正题。
使用 string
首先,直接用string 操作。由于测试博文可能会比较长,会有比较多的代码块。所以我的思路是,while(true)
去寻找代码块标记,并使用string 的寻址: indexOf()
, 拼接:+=
和 剪切:Substring()
完成代码块的过滤。过程也很简单。这只是解决问题的一种方法,这篇文章的目的不是寻找最优解决方法,而是比较发现使用不同的 "工具" 之间的巨大性能差距。
private static string _startTag = "<pre";
private static string _endTag = "</pre>";
private static int _startTagLength => _startTag.Length;
private static int _endTagLength => _endTag.Length;
public FilterCodeBlocks()
{
}
public string FilterCodeBlockByString(string content)
{
string result = "";
while (true)
{
var startPos = content.IndexOf(_startTag, StringComparison.CurrentCulture);
if (startPos == -1)
break;
var content2 = content.Substring(startPos + _startTagLength, content.Length - startPos - _startTagLength);
var endPos = content2.IndexOf(_endTag, StringComparison.CurrentCulture);
result += content.Substring(0, startPos);
content = content2.Substring(endPos + _endTagLength, content2.Length - endPos - _endTagLength);
}
result += content;
return result;
}
一开始选取了比较短的文本进行测试 ,可以直接写在程序中:
[RankColumn]
[Orderer(SummaryOrderPolicy.FastestToSlowest)]
[MemoryDiagnoser]
public class FilterCodeBlocksBenchmarks
{
FilterCodeBlocks FilterCodeBlocks = new FilterCodeBlocks();
public static string s = "<p>我们通过IndexWriterConfig 可以设置IndexWriter的属性," +
"已达到我们希望构建索引的需求,这里举一些属性,这些属性可以影响到IndexWriter写入索引的速度:" +
"</p>\n<div class=\"cnblogs_code\">\n<pre>IndexWriterConfig.setRAMBufferSizeMB" +
"(<span style=\"color: #0000ff;\">double</span><span style=\"color: #000000;\">);" +
"\nIndexWriterConfig.setMaxBufferedDocs(</span><span style=\"color: #0000ff;\">int</span><span " +
"style=\"color: #000000;\">);\nIndexWriterConfig.setMergePolicy(MergePolicy)</span></pre>\n</div>\n<p>" +
"setRAMBufferSizeMB() 是设置";
[Benchmark]
public void FilterByString()
{
FilterCodeBlocks.FilterCodeBlockByString(s);
}
}
按照上述的方法,运行dll 得出 使用string 相关方法的性能。
平均处理时间 48微秒 分配内存 1.41kb,看来效果也是不错的,我感觉上面的代码中方法也是大家都会经常使用的方法。
接下来 .NET Core 2.1
的新特性: Span 隆重登场!
Span< T >
What is a Span< T >?
Span< T > : 结构体,值类型 。相当于C++ 中的指针,它是一段连续内存的引用,也就是一段连续内存的首地址。有了Span< T >,我们就可以不在unsafe
的代码块中写指针了。Span< char > 相对于 string 也就具有很大的性能优势。
举个栗子: string.Substring()
函数,实际上是在堆中额外创建了一个新的 string 对象,把字符 copy 过去,再返回这个对象的引用。而相对应的 Span< T > 的Slice()
函数则是直接在内存中返回子串的首地址引用,此过过程几乎不分配内存,并且十分高效。
后面的优化也是使用Span< T > 的Slice()
代替了 string 的SubString()
。
简单看下 Span< T > 的源码,就可以窥见 Span< T > 的奥秘:
public readonly ref partial struct Span<T>
{
/// <summary>A byref or a native ptr.</summary>
internal readonly ByReference<T> _pointer;
/// <summary>The number of elements this Span contains.</summary>
private readonly int _length;
....
public Span(T[] array)
{
if (array == null)
{
this = default;
return; // returns default
}
if (default(T) == null && array.GetType() != typeof(T[]))
ThrowHelper.ThrowArrayTypeMismatchException();
_pointer = new ByReference<T>(ref Unsafe.As<byte, T>(ref array.GetRawSzArrayData()));
_length = array.Length;
}
}
Span< T > 内部主要就是一个ByReference< T >
类型的对象,实际上就是ref T
: 一个类型的引用,它和C 的int*
char*
如出一折。Span < T > 也就是建立 ref 的基础上。
限定长度: _length
,就像 C 中定义指针,在使用前需要 malloc
或者 alloc
分配固定长度的内存。关于Span< T > 更多详细知识:
https://msdn.microsoft.com/en-us/magazine/mt814808.aspx
使用 Span< T > 优化
将上述 string 代码使用 Span< char > 优化一下
public string FilterCodeBlockBySpanAndToString(ReadOnlySpan<char> content)
{
string result = "";
ReadOnlySpan<char> contentSpan2 = new ReadOnlySpan<char>();
int startPos = 0;
int endPos = 0;
ReadOnlySpan<char> startTagSpan = _startTag.AsSpan();
ReadOnlySpan<char> endTagSpan = _endTag.AsSpan();
while (true)
{
startPos = content.IndexOf(startTagSpan);
if (startPos == -1)
break;
contentSpan2 = content.Slice(startPos + _startTagLength, content.Length - startPos - _startTagLength);
endPos = contentSpan2.IndexOf(endTagSpan);
result += content.Slice(0, startPos).ToString();
content = contentSpan2.Slice(endPos + _endTagLength, contentSpan2.Length - endPos - _endTagLength);
}
result += content.ToString();
return result;
}
这里 ReadOnlySpan<char>
是 Span< char > 的只读类型。使用Slice
代替SubString
。上述代码我依然返回的是 string。为了得到 string,我不惜使用Span< T > 的ToString()
函数,在我印象中,这个操作会把Span 的优势给拉回起跑线。
接下来看测试结果:
真是大吃一惊,平均消耗时间,居然少了 48000 纳秒,Span< T > 只是 string 的不到百分之一消耗。内存消耗减少了一半
Span< T >果然名不虚传,正如前面所说的SubString
和Slice
之间的性能差距。
Span< T > 的特色
虽然Span< T > 的性能十分出色 ,但是 string 有太多完善的接口,string 是为了简化你的代码让你更加舒服的使用字符串,所以牺牲了性能。因此 在对计算机消耗要求十分的严苛的情况下,尝试使用Span< T > ,大多数情况下,简短的string 已经能满足需求。我的认知下的Span< T >的特色:
Span< T >的定义方法多种多样,可以直接 ( i ) 像定义数组那样 :
Span<int> a = new int[10];
( ii ) 在构造函数中直接传入 数组(指针+长度)Span<T> a = new Span<T>(T[]),Span<T> a = new Span<T>(void*,length)
; ( iii )可以直接在栈中分配内存:Span<char> a = stackalloc char[10];
在C# 8.0中才可以,这样的写法真是高大上。Span< T > 只能存在于栈中,而不能放在堆中。因为 ( i ) GC 在堆中很难跟踪这些指针, ( ii ) 在堆中会出现多线程, 如果两个线程的两个Span< T >指向了同一个地址,那就糟了。
可以使用 Memory< T > 代替 Span< T >在堆中使用。
所有 string 的接口都可以用 Span< char > 来实现,这似乎又回到了原始的C语言时代。
Span < T > 有个兄弟叫 ReadOnlySpan< T > 。
到这里还不能结束Span< T >的性能评测。因为在大量字符串处理中还有个隐藏的实力派:正则表达式 Regex
正则表达式
如果我们使用正则表达式呢,它的性能会是如何呢?
正则表达式的实现:
private static Regex _codeTag = new Regex("(<pre(.*?)>)(.|\n)*?(</pre>)", RegexOptions.Compiled);
public string FilterCodeBlocByRegex(string content)
{
return _codeTag.Replace(content, string.Empty);
}
真是简短的让人看着就舒服。正则表达式的长处是在大文本处理,所以我决定直接将字符串变成100篇博客的内容加在一起。下面就是测试结果:
Incredible! 正则表达式 真的是一匹黑马,直逼Span< T >,时间消耗仅为10.68ms,内存消耗只有7.69MB。难得的是它的内存消耗也比Span< T >低。
为什么Regex
会有这么好的表现呢?翻阅一下源码,原来如此!
private static string Replace(MatchEvaluator evaluator, Regex regex, string input, int count, int startat)
{
....
Span<char> charInitSpan = stackalloc char[ReplaceBufferSize];
var vsb = new ValueStringBuilder(charInitSpan);
}
在.net core 2.2
中,Regex的 Replace 内部用了 Span< char > 重新实现。看来,正则表达式的高性能表现 和 Span 不无关系。
根据园友的评论,Regex 以前的版本,也是通过指针来进行操作,我也实验了 .net standard的Regex , 二者效率差不多。
Span < T > 很优秀,但是为了解决 string 的性能问题,C# 早早就有了 StringBuilder
。于是我让了字符串处理界的大师:StringBuilder, 来助 Span< T > 一臂之力。
StringBuilder + Span< T >
public string FilterCodeBlockBySpanAndStringBuilder(ReadOnlySpan<char> content)
{
var result = new StringBuilder(content.Length);
var contentSpan2 = new ReadOnlySpan<char>();
var startPos = 0;
var endPos = 0;
var startTagSpan = _startTag.AsSpan();
var endTagSpan = _endTag.AsSpan();
while (true)
{
startPos = content.IndexOf(startTagSpan);
if (startPos == -1)
break;
contentSpan2 = content.Slice(startPos + _startTagLength, content.Length - startPos - _startTagLength);
endPos = contentSpan2.IndexOf(endTagSpan);
result.Append(content.Slice(0, startPos));
content = contentSpan2.Slice(endPos + _endTagLength, contentSpan2.Length - endPos - _endTagLength);
}
result.Append(content);
return result.ToString();
}
将原先的 字符串拼接变成了 StringBuilder 的 append
函数,而且减少了我心心念念的ToString()
次数。在 .net core 2.2 中StringBuilder的内部也有 Span< T >的身影。
Append 函数可以直接接受Span< T >的参数。接下来看看武装到牙齿的Span< T >性能如何。
unbelievable ! 使用 StringBuilder 的Span< T >时间消耗居然只有 867.1微妙,内存消耗只有1.7MB ,在各个方面都技压群雄。又是百分之一的消耗。
实际上 StringBuilder的内部操作字符串的 是一个 char 数组,它的 Apend 的性能如此之高,还是因为内部使用了指针。
unsafe
{
fixed (char* valuePtr = value)
fixed (char* destPtr = &chunkChars[chunkLength])
{
string.wstrcpy(destPtr, valuePtr, valueLen);
}
}
StringBuilder 只能支持字符串,但是Span< T >可是泛型的哦。不过,程序中最消耗CPU的大都是一些字符串的处理。
结语
在实际中体验了Span< T >的惊人表现。同时 .NET Core 在Span< T >加入之后,各个地方都有性能的提升,比如说Regex
。真是让开发者何其幸哉。
在Regex 中的源代码,我看到了一个 ValueStringBuilder 一个内部的结构体,只能在System/Text 的内部中使用。它是一个结构体!它的构造函数可以直接传入 Span< char >,我将它 copy 出来,代替StringBuilder , 时间消耗不分伯仲,但是内存消耗又减少了一半!。这应该是极致的性能表现。鉴于篇幅原因就不展开了。
可以在 这里: https://github.com/SilentCC/MyTestBenchMarks 看到ValueStringBuilder
,以及完整的代码。