用C ++实现快速，简单的CSV解析

Question

我试图解析一个简单的CSV文件，其格式如下：

20.5,20.5,20.5,0.794145,4.05286,0.792519,1
20.5,30.5,20.5,0.753669,3.91888,0.749897,1
20.5,40.5,20.5,0.701055,3.80348,0.695326,1

所以，一个非常简单和固定的格式文件。 我将这些数据的每一列存储到STL向量中。 因此我尝试使用标准库保持C ++方式，并且我在循环中的实现看起来像：

string field;
getline(file,line);
stringstream ssline(line);

getline( ssline, field, ',' );
stringstream fs1(field);
fs1 >> cent_x.at(n);

getline( ssline, field, ',' );
stringstream fs2(field);
fs2 >> cent_y.at(n);

getline( ssline, field, ',' );
stringstream fs3(field);
fs3 >> cent_z.at(n);

getline( ssline, field, ',' );
stringstream fs4(field);
fs4 >> u.at(n);

getline( ssline, field, ',' );
stringstream fs5(field);
fs5 >> v.at(n);

getline( ssline, field, ',' );
stringstream fs6(field);
fs6 >> w.at(n);

问题是，这非常慢（每个数据文件有超过100万行），在我看来有点不优雅。 有没有更快的方法使用标准库，或者我应该只使用stdio函数？ 在我看来，整个代码块将减少为单个fscanf调用。

提前致谢！

Answer 1

使用7个字符串流时只需一个肯定无法帮助wrt。 性能。 试试这个：

string line;
getline(file, line);

istringstream ss(line);  // note we use istringstream, we don't need the o part of stringstream

char c1, c2, c3, c4, c5;  // to eat the commas

ss >> cent_x.at(n) >> c1 >>
      cent_y.at(n) >> c2 >>
      cent_z.at(n) >> c3 >>
      u.at(n) >> c4 >>
      v.at(n) >> c5 >>
      w.at(n);

如果知道文件中的行数，可以在读取之前调整向量的大小，然后使用operator[]而不是at() 。 这样就可以避免边界检查，从而获得一点性能。

Answer 2

我认为主要的瓶颈（放弃基于getline（）的非缓冲I / O）是字符串解析。 由于您有“，”符号作为分隔符，您可以对字符串执行线性扫描，并将所有“，”替换为“\\ 0”（字符串结束标记，零终止符）。

像这样的东西：

// tmp array for the line part values
double parts[MAX_PARTS];

while(getline(file, line))
{
    size_t len = line.length();
    size_t j;

    if(line.empty()) { continue; }

    const char* last_start = &line[0];
    int num_parts = 0;

    while(j < len)
    {
        if(line[j] == ',')
        {
           line[j] = '\0';

           if(num_parts == MAX_PARTS) { break; }

           parts[num_parts] = atof(last_start);
           j++;
           num_parts++;
           last_start = &line[j];
        }
        j++;
    }

    /// do whatever you need with the parts[] array
 }

Answer 3

我不知道这是否会比接受的答案更快，但我还是可以发布它，以防你想尝试一下。 通过使用一些fseek魔法知道文件的大小，您可以使用单个读取调用加载文件的整个内容。 这将比多次读取调用快得多。

然后你可以做这样的事情来解析你的字符串：

//Delimited string to vector
vector<string> dstov(string& str, string delimiter)
{
  //Vector to populate
  vector<string> ret;
  //Current position in str
  size_t pos = 0;
  //While the the string from point pos contains the delimiter
  while(str.substr(pos).find(delimiter) != string::npos)
  {
    //Insert the substring from pos to the start of the found delimiter to the vector
    ret.push_back(str.substr(pos, str.substr(pos).find(delimiter)));
    //Move the pos past this found section and the found delimiter so the search can continue
    pos += str.substr(pos).find(delimiter) + delimiter.size();
  }
  //Push back the final element in str when str contains no more delimiters
  ret.push_back(str.substr(pos));
  return ret;
}

string rawfiledata;

//This call will parse the raw data into a vector containing lines of
//20.5,30.5,20.5,0.753669,3.91888,0.749897,1 by treating the newline
//as the delimiter
vector<string> lines = dstov(rawfiledata, "\n");

//You can then iterate over the lines and parse them into variables and do whatever you need with them.
for(size_t itr = 0; itr < lines.size(); ++itr)
  vector<string> line_variables = dstov(lines[itr], ",");