用C ++實現快速，簡單的CSV解析

Question

我試圖解析一個簡單的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，一個非常簡單和固定的格式文件。 我將這些數據的每一列存儲到STL向量中。 因此我嘗試使用標准庫保持C ++方式，並且我在循環中的實現看起來像：

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);

問題是，這非常慢（每個數據文件有超過100萬行），在我看來有點不優雅。 有沒有更快的方法使用標准庫，或者我應該只使用stdio函數？ 在我看來，整個代碼塊將減少為單個fscanf調用。

提前致謝！

Answer 1

使用7個字符串流時只需一個肯定無法幫助wrt。 性能。 試試這個：

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數，可以在讀取之前調整向量的大小，然后使用operator[]而不是at() 。 這樣就可以避免邊界檢查，從而獲得一點性能。

Answer 2

我認為主要的瓶頸（放棄基於getline（）的非緩沖I / O）是字符串解析。 由於您有“，”符號作為分隔符，您可以對字符串執行線性掃描，並將所有“，”替換為“\\ 0”（字符串結束標記，零終止符）。

像這樣的東西：

// 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

我不知道這是否會比接受的答案更快，但我還是可以發布它，以防你想嘗試一下。 通過使用一些fseek魔法知道文件的大小，您可以使用單個讀取調用加載文件的整個內容。 這將比多次讀取調用快得多。

然后你可以做這樣的事情來解析你的字符串：

//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], ",");