在 Delphi 中解析一行的最快方法是什么？

Question

我有一个巨大的文件，我必须逐行解析它。 速度至关重要。

一行的示例：

Token-1 这是下一个令牌最后上线的令牌 
        ^^ 
     当前位置 
     GetToken之后的位置 
  

调用 GetToken，返回“Here-is-the-Next-Token”并将 CurrentPosition 设置为令牌最后一个字符的位置，以便为下一次调用 GetToken 做好准备。 令牌由一个或多个空格分隔。

假设该文件已位于内存中的 StringList 中。 它很容易装入内存，例如 200 MB。

我只担心解析的执行时间。 在 Delphi (Pascal) 中什么代码会产生绝对最快的执行速度？

Answer 1

• 使用 PChar 递增来提高处理速度
• 如果不需要某些标记，则仅按需复制标记数据
• 在实际扫描字符时将 PChar 复制到局部变量
• 将源数据保留在单个缓冲区中，除非必须逐行处理，即使这样，也要考虑将行处理作为词法分析器识别器中的单独标记进行处理
• 如果您确实知道编码，请考虑处理直接来自文件的字节数组缓冲区； 如果使用 Delphi 2009，请使用 PAnsiChar 而不是 PChar，除非您知道编码是 UTF16-LE。
• 如果您知道唯一的空白是 #32（ASCII 空格），或类似的有限字符集，则可能有一些巧妙的位操作技巧，可以让您使用整数扫描一次处理 4 个字节。 不过，我不希望在这里取得重大胜利，而且代码会像泥一样清晰。

这是一个示例词法分析器，应该非常高效，但它假设所有源数据都在单个字符串中。 由于令牌很长，重新处理它来处理缓冲区是相当棘手的。

type
  TLexer = class
  private
    FData: string;
    FTokenStart: PChar;
    FCurrPos: PChar;
    function GetCurrentToken: string;
  public
    constructor Create(const AData: string);
    function GetNextToken: Boolean;
    property CurrentToken: string read GetCurrentToken;
  end;

{ TLexer }

constructor TLexer.Create(const AData: string);
begin
  FData := AData;
  FCurrPos := PChar(FData);
end;

function TLexer.GetCurrentToken: string;
begin
  SetString(Result, FTokenStart, FCurrPos - FTokenStart);
end;

function TLexer.GetNextToken: Boolean;
var
  cp: PChar;
begin
  cp := FCurrPos; // copy to local to permit register allocation

  // skip whitespace; this test could be converted to an unsigned int
  // subtraction and compare for only a single branch
  while (cp^ > #0) and (cp^ <= #32) do
    Inc(cp);

  // using null terminater for end of file
  Result := cp^ <> #0;

  if Result then
  begin
    FTokenStart := cp;
    Inc(cp);
    while cp^ > #32 do
      Inc(cp);
  end;

  FCurrPos := cp;
end;

Answer 2

这是一个非常简单的词法分析器的蹩脚实现。 这可能会给你一个想法。

请注意此示例的局限性 - 不涉及缓冲，没有 Unicode（这是 Delphi 7 项目的摘录）。 您可能会在认真的实施中需要这些。

{ Implements a simpe lexer class. } 
unit Simplelexer;

interface

uses Classes, Sysutils, Types, dialogs;

type

  ESimpleLexerFinished = class(Exception) end;

  TProcTableProc = procedure of object;

  // A very simple lexer that can handle numbers, words, symbols - no comment handling  
  TSimpleLexer = class(TObject)
  private
    FLineNo: Integer;
    Run: Integer;
    fOffset: Integer;
    fRunOffset: Integer; // helper for fOffset
    fTokenPos: Integer;
    pSource: PChar;
    fProcTable: array[#0..#255] of TProcTableProc;
    fUseSimpleStrings: Boolean;
    fIgnoreSpaces: Boolean;
    procedure MakeMethodTables;
    procedure IdentProc;
    procedure NewLineProc;
    procedure NullProc;
    procedure NumberProc;
    procedure SpaceProc;
    procedure SymbolProc;
    procedure UnknownProc;
  public
    constructor Create;
    destructor Destroy; override;
    procedure Feed(const S: string);
    procedure Next;
    function GetToken: string;
    function GetLineNo: Integer;
    function GetOffset: Integer;

    property IgnoreSpaces: boolean read fIgnoreSpaces write fIgnoreSpaces;
    property UseSimpleStrings: boolean read fUseSimpleStrings write fUseSimpleStrings;
  end;

implementation

{ TSimpleLexer }

constructor TSimpleLexer.Create;
begin
  makeMethodTables;
  fUseSimpleStrings := false;
  fIgnoreSpaces := false;
end;

destructor TSimpleLexer.Destroy;
begin
  inherited;
end;

procedure TSimpleLexer.Feed(const S: string);
begin
  Run := 0;
  FLineNo := 1;
  FOffset := 1;
  pSource := PChar(S);
end;

procedure TSimpleLexer.Next;
begin
  fTokenPos := Run;
  foffset := Run - frunOffset + 1;
  fProcTable[pSource[Run]];
end;

function TSimpleLexer.GetToken: string;
begin
  SetString(Result, (pSource + fTokenPos), Run - fTokenPos);
end;

function TSimpleLexer.GetLineNo: Integer;
begin
  Result := FLineNo;
end;

function TSimpleLexer.GetOffset: Integer;
begin
  Result := foffset;
end;

procedure TSimpleLexer.MakeMethodTables;
var
  I: Char;
begin
  for I := #0 to #255 do
    case I of
      '@', '&', '}', '{', ':', ',', ']', '[', '*',
        '^', ')', '(', ';', '/', '=', '-', '+', '#', '>', '<', '
,
        '.', '"', #39:
        fProcTable[I] := SymbolProc;
      #13, #10: fProcTable[I] := NewLineProc;
      'A'..'Z', 'a'..'z', '_': fProcTable[I] := IdentProc;
      #0: fProcTable[I] := NullProc;
      '0'..'9': fProcTable[I] := NumberProc;
      #1..#9, #11, #12, #14..#32: fProcTable[I] := SpaceProc;
    else
      fProcTable[I] := UnknownProc;
    end;
end;

procedure TSimpleLexer.UnknownProc;
begin
  inc(run);
end;

procedure TSimpleLexer.SymbolProc;
begin
  if fUseSimpleStrings then
  begin
    if pSource[run] = '"' then
    begin
      Inc(run);
      while pSource[run] <> '"' do
      begin
        Inc(run);
        if pSource[run] = #0 then
        begin
          NullProc;
        end;
      end;
    end;
    Inc(run);
  end
  else
    inc(run);
end;

procedure TSimpleLexer.IdentProc;
begin
  while pSource[Run] in ['_', 'A'..'Z', 'a'..'z', '0'..'9'] do
    Inc(run);
end;

procedure TSimpleLexer.NumberProc;
begin
  while pSource[run] in ['0'..'9'] do
    inc(run);
end;

procedure TSimpleLexer.SpaceProc;
begin
  while pSource[run] in [#1..#9, #11, #12, #14..#32] do
    inc(run);
  if fIgnoreSpaces then Next;
end;

procedure TSimpleLexer.NewLineProc;
begin
  inc(FLineNo);
  inc(run);
  case pSource[run - 1] of
    #13:
      if pSource[run] = #10 then inc(run);
  end;
  foffset := 1;
  fRunOffset := run;
end;

procedure TSimpleLexer.NullProc;
begin
  raise ESimpleLexerFinished.Create('');
end;

end.

Answer 3

我制作了一个基于状态引擎（DFA）的词法分析器。 它与桌子配合使用并且速度相当快。 但还有可能更快的选择。

这也取决于语言。 简单的语言可能有智能的算法。

该表是一个记录数组，每个记录包含 2 个字符和 1 个整数。 对于每个标记，词法分析器都会从位置 0 开始遍历表格：

state := 0;
result := tkNoToken;
while (result = tkNoToken) do begin
  if table[state].c1 > table[state].c2 then
    result := table[state].value
  else if (table[state].c1 <= c) and (c <= table[state].c2) then begin
    c := GetNextChar();
    state := table[state].value;
  end else
    Inc(state);
end;

它很简单，而且工作起来就像一个魅力。

Answer 4

如果速度至关重要，那么自定义代码就是答案。 查看将文件映射到内存的 Windows API。 然后，您可以使用指向下一个字符的指针来执行标记，并根据需要前进。

这是我进行映射的代码：

procedure TMyReader.InitialiseMapping(szFilename : string);
var
//  nError : DWORD;
    bGood : boolean;
begin
    bGood := False;
    m_hFile := CreateFile(PChar(szFilename), GENERIC_READ, 0, nil, OPEN_EXISTING, 0, 0);
    if m_hFile <> INVALID_HANDLE_VALUE then
    begin
        m_hMap := CreateFileMapping(m_hFile, nil, PAGE_READONLY, 0, 0, nil);
        if m_hMap <> 0 then
        begin
            m_pMemory := MapViewOfFile(m_hMap, FILE_MAP_READ, 0, 0, 0);
            if m_pMemory <> nil then
            begin
                htlArray := Pointer(Integer(m_pMemory) + m_dwDataPosition);
                bGood := True;
            end
            else
            begin
//              nError := GetLastError;
            end;
        end;
    end;
    if not bGood then
        raise Exception.Create('Unable to map token file into memory');
end;

Answer 5

我认为最大的瓶颈始终是将文件放入内存。 一旦你将它存入内存（显然不是一次全部，但如果我是你，我会使用缓冲区），实际的解析应该是微不足道的。

Answer 6

这就引出了另一个问题——有多大？
给我们一些线索，例如行数或 # 或 Mb (Gb)？
然后我们会知道它是否适合内存，是否需要基于磁盘等。

首先，我会使用我的 WordList(S: String; AList: TStringlist);

然后你可以访问每个令牌作为 Alist[n]...
或对它们进行排序或其他什么。

Answer 7

一旦被解析，速度将始终与您正在做的事情相关。 到目前为止，词法解析器是从文本流转换为标记的最快方法，无论大小如何。 课程单元中的 TParser 是一个很好的起点。

就我个人而言，自从我需要编写解析器以来已经有一段时间了，但另一种更过时但经过尝试且正确的方法是使用 LEX/YACC 构建语法，然后让它将语法转换为可用于执行处理的代码。 DYacc 是 Delphi 版本...不确定它是否仍然可以编译，但是如果你想做一些老派的事情，值得一看。 如果你能找到一本，这里的龙书会有很大帮助。

Answer 8

自己动手无疑是最快的方法。 有关此主题的更多信息，您可以查看 Synedit 的源代码，其中包含词法分析器（在项目上下文中称为荧光笔）适用于市场上的任何语言。 我建议您以这些词法分析器之一为基础，并根据自己的用途进行修改。

Answer 9

编写代码的最快方法可能是创建一个 TStringList 并将文本文件中的每一行分配给 CommaText 属性。 默认情况下，空格是分隔符，因此每个标记将获得一个 StringList 项目。

MyStringList.CommaText := s;
for i := 0 to MyStringList.Count - 1 do
begin
  // process each token here
end;

不过，您自己解析每一行可能会获得更好的性能。