拆分多个字符串的最有效方法

本文关键字：有效 方法 字符串 拆分 | 更新日期: 2023-09-27 18:23:40

我当前的项目处理大量传入的无线电消息（每天约500万条），这些消息以字符串形式表示，然后必须将其划分为预先确定大小的块，以便存储。

例如，消息将以以下格式出现：

mzIIIICCssss

每个不同的字符表示一个块，因此本例包含5个块（m、z、IIII、CC、ssss）。

使用该格式的消息示例可能是：

.91234NE0001（.，91234，NE，0001）

到目前为止，我已经使用了substring，但有人告诉我，它不如正则表达式那样高效。如果是这种情况，我如何使用regex在字符位置进行匹配，而不是使用语义模式？

拆分多个字符串的最有效方法

Substring比正则表达式快得多。由于您所要做的只是将字符串分离成固定大小的块，所以只需使用Substring即可。

cHao的评论给了我另一个想法。您可以使用string(char[], int, int)构造函数，有点像这样：

string message = ".91234NE0001";
char[] messageArr = message.ToCharArray();
string chunk1 = new string(messageArr, 0, 1);
string chunk2 = new string(messageArr, 1, 1);
string chunk3 = new string(messageArr, 2, 4);
string chunk4 = new string(messageArr, 6, 2);
string chunk5 = new string(messageArr, 8, 4);

你可能会给这些变量起更好的名字：）

这是Substring正在做的手动方式。我原以为它会比Substring方法更快，但我之前想到了错误的方法。它可能会有同样的速度。

我认为，在不使用本机代码的情况下，最有效的方法是使用不安全的代码。

private static IEnumerable<string> ExtractChunksUnsafe(string format, string data)
{
    if(format.Length != data.Length)
        throw new ArgumentException("Format length must match Data length");
    if(data.Length == 0)
        throw new ArgumentException("Invalid Data length");
    char prevFormat = ''0';
    char currentFormat = format[0];
    var chunks = new List<string>();
    var builder = new StringBuilder();
    unsafe
    {
        fixed(char * indexer = data)
        {
            var index = -1;
            while(data.Length > ++index)
            {
                prevFormat = currentFormat;
                currentFormat = format[index];
                if(currentFormat != prevFormat)
                {
                    chunks.Add(builder.ToString());
                    builder.Clear();
                }
                builder.Append((*(indexer + index)));
            }
            chunks.Add(builder.ToString());
            builder.Clear();
        }
    }
    return chunks;
}

比较：

private static IEnumerable<string> ExtractChunks(string format, string data)
{
    if(format.Length != data.Length)
        throw new ArgumentException("Format length must match Data length");
    if(data.Length == 0)
        throw new ArgumentException("Invalid Data length");
    char prevFormat = ''0';
    char currentFormat = format[0];
    var prevIndex = 0;
    var index = 1;
    var message = data.ToCharArray();
    var chunks = new List<string>();
    while(data.Length > index)
    {
        prevFormat = currentFormat;
        currentFormat = format[index];
        if(currentFormat != prevFormat)
        {
            chunks.Add(new string(message, prevIndex, index - prevIndex));
            prevIndex = index;
        }
        index++;
    }
    chunks.Add(new string(message, prevIndex, index - prevIndex));
    return chunks;
}

样品：

string format = "mzIIIICCssss";
string data = ".a9876NE9001";
var chunks = ExtractChunks(format, data);
foreach(var message in chunks)
{
    Console.WriteLine(message);
}

基准：

string format = "mzIIIICCssss";
string data = ".a9876NE9001";
// Warmup CLR
ExtractChunksUnsafe(format, data);
ExtractChunks(format, data);
TimeSpan unsafeCode;
TimeSpan safeCode;
var timer = Stopwatch.StartNew();
for(int i = 0; i < 10000000; i++)
{
    ExtractChunksUnsafe(format, data);
}
unsafeCode = timer.Elapsed;
timer.Restart();
for(int i = 0; i < 10000000; i++)
{
    ExtractChunks(format, data);
}
safeCode = timer.Elapsed;
timer.Stop();

Console.WriteLine("Unsafe time {0}", unsafeCode);
Console.WriteLine("Safe time {0}", safeCode);

结果：

Unsafe time 00:00:04.8551136
Safe time 00:00:03.1786573

甚至修改不安全主体：

unsafe
{
    fixed(char * indexer = data)
    {
        var prevIndex = 0;
        var index = 1;
        while(data.Length > index)
        {
            prevFormat = currentFormat;
            currentFormat = format[index];
            if(currentFormat != prevFormat)
            {
                chunks.Add(new string(indexer, prevIndex, index - prevIndex));
                prevIndex = index;
            }
            index++;
        }
        chunks.Add(new string(indexer, prevIndex, index - prevIndex));
    }
}

仍将导致较慢的时间CCD_ 10。

忽略哪个解决方案最有效的问题，这里有一个正则表达式，它将与问题（mzIIIICCssss）中给出的格式相匹配

(?<m>.)(?<z>.)(?<IIII>.{4})(?<CC>.{2})(?<ssss>.{4})

这将捕获名为"m"的组中的一个字符、名为"z"的组的下一个字符，名为"IIII"的组内的下4个字符、"CC"中的下2个字符和"ssss"中的后4个字符。

就性能而言，如果您现在拥有的代码不够快，并且您已经通过分析它确定了字符串处理是问题所在，那么就寻找更快的替换。

相关文章：