[英]C programming: How to use mmap(2) to read file parallel by multiple threads?
[英]read file with mmap multiple threading in C
我正在嘗試用 C 讀取一個大的 .txt 文件。我已經用 fgets() 完成了一個版本,但性能受到 I/O 的限制。 所以我需要一些比 fgets() 性能更好的東西,而且我發現 mmap() 不會受到 I/O 的限制。 所以我的問題是,是否可以使用 mmap() 和多線程(POSIX 線程)來做到這一點? 這是我需要的:
Different threads to read(mmap() or something else) different parts of the file simultaneously
我在網上找不到關於多線程 mmap() 的任何資源,有人可以幫我提供一些示例代碼並解釋一下嗎? 我將非常感謝您的幫助,謝謝
你的想法本身並不壞。 如果我們假設一個換行符分隔的文件(即:您可以在沒有問題的情況下在行之間進行剪切),您可以找到類似這樣的塊的 limtis(從我的另一個程序中刪除,所以請先檢查)
// just in case
#define _LARGEFILE_SOURCE
#define _BSD_SOURCE
#define _POSIX_C_SOURCE 200112L
#include <stdio.h>
#include <stdlib.h>
#include <sys/types.h>
#include <sys/stat.h>
#include <unistd.h>
#include <errno.h>
#include <string.h>
// TODO: should be calculated
#define FILE_PARTS 100
// TODO: should not be global
off_t positions[FILE_PARTS + 1];
int slice_file(FILE * fp)
{
off_t curr_pos = 0;
off_t filesize = 0;
off_t chunk_size = 0;
int fd;
int i, res;
char c;
struct stat sb;
// get size of file
fd = fileno(fp);
if (fd == -1) {
fprintf(stderr, "EBADF in prepare_and_backup() for data-file pointer\n");
return 0;
}
if (fstat(fd, &sb) == -1) {
fprintf(stderr, "fstat() failed\n");
return 0;
}
// check if it is a regular file
if ((sb.st_mode & S_IFMT) != S_IFREG) {
fprintf(stderr, "Not a regular file\n");
return 0;
}
// TODO: check if filesize and chunksize >> 1
filesize = sb.st_size;
chunk_size = filesize / ((off_t) FILE_PARTS);
positions[0] = 0;
curr_pos = 0;
for (i = 1; i < FILE_PARTS; i++) {
res = fseeko(fp, curr_pos, SEEK_SET);
if (res == -1) {
fprintf(stderr, "Error in fseeko(): %s\n",
strerror(errno));
return 0;
}
curr_pos += chunk_size;
// look for the end of the line to cut at useful places
while ((c = fgetc(fp)) != EOF) {
curr_pos++;
// TODO: add code to honor Apple's special needs
if (c == '\n') {
c = fgetc(fp);
if (c == EOF) {
break;
}
curr_pos++;
break;
}
}
positions[i] = curr_pos - 1;
}
// Position of the end of the file
positions[i] = filesize;
// Is that even needed?
rewind(fp);
return 1;
}
現在你可以啟動一個線程,給它開始和結束它應該工作的塊(你可能已經或可能沒有用上面的函數計算過)並且不用擔心在各個線程內進行(m)映射。 如果輸出與塊大小相同,您甚至可以就地工作。
編輯
mmap
的聲明是
void *mmap(void *addr, size_t length, int prot, int flags, int fd, off_t offset);
如果您不關心特定地址,請將其設置為NULL
。
length
是您希望映射初始化的字節數,在這種情況下:填充來自文件描述符fd
。
該填充的開始由offset
設置,並帶有一個不舒服的警告:它需要是頁面大小的倍數(詢問sysconf(_SC_PAGE_SIZE)
以獲得確切的數字)。 沒什么大問題,只需將其設置為啟動前的頁面並在實際啟動時開始工作,所有必要的信息都存在。 您可以(並且必須!)忽略該頁面的其余部分。
或者你獲取整個文件並映射它並像使用驅動器上的文件一樣使用它:給每個線程一個該映射的塊( positions
必要信息)並從那里開始工作。
第一個的優點:您有多個內存塊,操作系統可以更輕松地將它們推到周圍,並且您可能會或可能不會減少多個 CPU 的緩存未命中。 如果您運行一個集群或任何其他架構,其中每個 CPU/CPU 組都有自己的 RAM 或至少一個非常大的緩存,那么它甚至是必須的。
后者的優點:實現更簡單,但你有一大塊地圖。 這可能會也可能不會影響運行時間。
提示:我對現代、快速 SSD 的體驗:如今讀取速度如此之高,您可以輕松地從直接文件訪問而不是映射開始。 即使使用相當慢的“正常”硬盤,您也可以獲得合理的速度。 我從中翻錄上述片段的程序必須搜索超過 120 GB 的大型 CSV 文件,沒有足夠的 RAM 來完全加載它,驅動器上甚至沒有足夠的空間將其加載到某個數據庫中(是的,那是幾個幾年前)。 這是一個鍵->“很多、不同、不同的值”文件,幸運的是已經排序。 所以我用上面的方法(KEY->position)為它制作了一個小的(盡可能大的)索引文件,盡管比我的例子中的 100 塊多得多。 索引文件中的鍵也已排序,因此如果您要搜索的鍵比索引條目大(數據按升序排序),則您找到了正確的塊,這意味着該鍵位於之前的塊中位置(如果存在)。 這些塊足夠小,可以將它們中的一些保留在 RAM 中以用作緩存,但這並沒有增加多少,傳入的請求非常一致地隨機。
一個窮人的數據庫可以這么說,而且速度足夠快,可以在沒有用戶抱怨的情況下完成工作。
一個有趣的旁注:鍵是字母數字,排序算法將它們排序為“aAbBcC...”,這意味着您不能直接使用strcmp
。 讓我撓了一陣子,但解決方案相當簡單:比較忽略大小寫(例如: strcasecmp
如果可用),如果不相等,則返回該結果,否則返回與正常strncmp
結果相反的結果(例如,只return -strcmp(a,b);
)。
您對需要處理的數據類型保持沉默,因此您可能對上述內容沒有絲毫興趣。
mmap
的 linux 手冊頁指出:
mmap - 將文件或設備映射到內存中
#include <sys/mman.h>
void *mmap(void *addr, size_t len, int prot, int flags, int fildes, off_t off);
mmap
的描述說:
mmap() 在調用進程的虛擬地址空間中創建一個新映射。 新映射的起始地址在 addr 中指定。 length 參數指定映射的長度。
這是手冊頁中的代碼示例。
#include <sys/mman.h>
#include <sys/stat.h>
#include <fcntl.h>
#include <stdio.h>
#include <stdlib.h>
#include <unistd.h>
#define handle_error(msg) do { perror(msg); exit(EXIT_FAILURE); } while (0)
int main(int argc, char *argv[])
{
char *addr;
int fd;
struct stat sb;
off_t offset, pa_offset;
size_t length;
ssize_t s;
if (argc < 3 || argc > 4) {
fprintf(stderr, "%s file offset [length]\n", argv[0]);
exit(EXIT_FAILURE);
}
fd = open(argv[1], O_RDONLY);
if (fd == -1)
handle_error("open");
if (fstat(fd, &sb) == -1) /* To obtain file size */
handle_error("fstat");
offset = atoi(argv[2]);
pa_offset = offset & ~(sysconf(_SC_PAGE_SIZE) - 1);
/* offset for mmap() must be page aligned */
if (offset >= sb.st_size) {
fprintf(stderr, "offset is past end of file\n");
exit(EXIT_FAILURE);
}
if (argc == 4) {
length = atoi(argv[3]);
if (offset + length > sb.st_size)
length = sb.st_size - offset;
} else { /* No length arg ==> display to end of file */
length = sb.st_size - offset;
}
addr = mmap(NULL, length + offset - pa_offset, PROT_READ,
MAP_PRIVATE, fd, pa_offset);
if (addr == MAP_FAILED)
handle_error("mmap");
s = write(STDOUT_FILENO, addr + offset - pa_offset, length);
if (s != length) {
if (s == -1)
handle_error("write");
fprintf(stderr, "partial write");
exit(EXIT_FAILURE);
}
exit(EXIT_SUCCESS);
}
這些都不是我的工作,全部來自 Linux 手冊頁。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.