Desempenho de regex C ++ vs .NET

Question

Nov 05, 2013, 09:47 PM

Desempenho de regex C ++ vs .NET

Solicitado por um comentário de Konrad Rudolph emuma questão relacionada, Eu escrevi o seguinte programa para avaliar o desempenho da expressão regular em F #:

open System.Text.RegularExpressions
let str = System.IO.File.ReadAllText "C:\\Users\\Jon\\Documents\\pg10.txt"
let re = System.IO.File.ReadAllText "C:\\Users\\Jon\\Documents\\re.txt"
for _ in 1..3 do
  let timer = System.Diagnostics.Stopwatch.StartNew()
  let re = Regex(re, RegexOptions.Compiled)
  let res = Array.Parallel.init 4 (fun _ -> re.Split str |> Seq.sumBy (fun m -> m.Length))
  printfn "%A %fs" res timer.Elapsed.TotalSeconds

e o equivalente em C ++:

#include "stdafx.h"

#include <windows.h>
#include <regex>
#include <vector>
#include <string>
#include <fstream>
#include <cstdio>
#include <codecvt>

using namespace std;

wstring load(wstring filename) {
    const locale empty_locale = locale::empty();
    typedef codecvt_utf8<wchar_t> converter_type;
    const converter_type* converter = new converter_type;
    const locale utf8_locale = locale(empty_locale, converter);
    wifstream in(filename);
    wstring contents;
    if (in)
    {
        in.seekg(0, ios::end);
        contents.resize(in.tellg());
        in.seekg(0, ios::beg);
        in.read(&contents[0], contents.size());
        in.close();
    }
    return(contents);
}

int count(const wstring &re, const wstring &s){
    static const wregex rsplit(re);
    auto rit = wsregex_token_iterator(s.begin(), s.end(), rsplit, -1);
    auto rend = wsregex_token_iterator();
    int count=0;
    for (auto it=rit; it!=rend; ++it)
        count += it->length();
    return count;
}

int _tmain(int argc, _TCHAR* argv[])
{
    wstring str = load(L"pg10.txt");
    wstring re = load(L"re.txt");

    __int64 freq, tStart, tStop;
    unsigned long TimeDiff;
    QueryPerformanceFrequency((LARGE_INTEGER *)&freq);
    QueryPerformanceCounter((LARGE_INTEGER *)&tStart);

    vector<int> res(4);

#pragma omp parallel num_threads(4)
    for(auto i=0; i<res.size(); ++i)
        res[i] = count(re, str);

    QueryPerformanceCounter((LARGE_INTEGER *)&tStop);
    TimeDiff = (unsigned long)(((tStop - tStart) * 1000000) / freq);
    printf("(%d, %d, %d, %d) %fs\n", res[0], res[1], res[2], res[3], TimeDiff/1e6);
    return 0;
}

Ambos os programas carregam dois arquivos como strings unicode (estou usando uma cópia da Bíblia), constroem um regex unicode não-trivial\w?\w?\w?\w?\w?\w e dividir a string quatro vezes em paralelo usando a regex retornando a soma dos comprimentos das strings divididas (para evitar a alocação).

Executando ambos no Visual Studio (com MP e OpenMP habilitado para o C ++) no direcionamento de compilação de lançamento de 64 bits, o C ++ leva 43.5s e o F # leva 3.28s (mais de 13x mais rápido). Isso não me surpreende, porque acredito que o .NET JIT compila o regex para código nativo, enquanto o stdlib do C ++ o interpreta, mas eu gostaria de uma revisão por pares.

Existe um bug perf no meu código C ++ ou é uma consequência de expressões regulares compiladas vs interpretadas?

EDITAR: Billy ONeal apontou que o .NET pode ter uma interpretação diferente de\w então eu expliquei em um novo regex:

[0-9A-Za-z_]?[0-9A-Za-z_]?[0-9A-Za-z_]?[0-9A-Za-z_]?[0-9A-Za-z_]?[0-9A-Za-z_]

Isso realmente torna o código .NET substancialmente mais rápido (C ++ é o mesmo), reduzindo o tempo de 3.28s para 2.38s para F # (acima de 17x mais rápido).

leaveComments