Эффективное чтение очень большого текстового файла в C++

Я бы перепроектировал это, чтобы действовать потоковым, а не на блоке.

более простым подходом было бы:

std::ifstream ifs("input.txt");
std::vector<uint64_t> parsed(std::istream_iterator<uint64_t>(ifs), {});

если вы знаете примерно, сколько значений ожидается, используя std::vector::reserve спереди может ускорить его дальше.

в качестве альтернативы вы можете использовать сопоставленный файл памяти и перебирать последовательность символов.

• как быстро анализировать разделенные пробелами поплавки на C++? показывает эти подходы с ориентирами для поплавков.

обновление я изменил вышеуказанную программу для разбора uint32_ts на вектор.

при использовании образца входного файла 4.5 GiB^[1] программа запускается через 9 секунд^[2]:

sehe@desktop:/tmp$ make -B && sudo chrt -f 99 /usr/bin/time -f "%E elapsed, %c context switches" ./test smaller.txt
g++ -std=c++0x -Wall -pedantic -g -O2 -march=native test.cpp -o test -lboost_system -lboost_iostreams -ltcmalloc
parse success
trailing unparsed: '
'
data.size():   402653184
0:08.96 elapsed, 6 context switches

конечно, он выделяет по крайней мере 402653184 * 4 * byte = 1.5 gibibytes. Так когда? когда вы читаете файл 45 ГБ, вам потребуется около 15 гиб ОЗУ просто храните вектор (при условии отсутствия фрагментации при перераспределении):в 45GiB разбора завершает в 10min 45s:

make && sudo chrt -f 99 /usr/bin/time -f "%E elapsed, %c context switches" ./test 45gib_uint32s.txt 
make: Nothing to be done for `all'.
tcmalloc: large alloc 17570324480 bytes == 0x2cb6000 @  0x7ffe6b81dd9c 0x7ffe6b83dae9 0x401320 0x7ffe6af4cec5 0x40176f (nil)
Parse success
Trailing unparsed: 1 characters
Data.size():   4026531840
Time taken by parsing: 644.64s
10:45.96 elapsed, 42 context switches

для сравнения, просто работает wc -l 45gib_uint32s.txt заняло ~12 минут (без планирования приоритетов в реальном времени). wc is молниеносная

Полный Код, Используемый Для Benchmark

#include <boost/spirit/include/qi.hpp>
#include <boost/iostreams/device/mapped_file.hpp>
#include <chrono>

namespace qi = boost::spirit::qi;

typedef std::vector<uint32_t> data_t;

using hrclock = std::chrono::high_resolution_clock;

int main(int argc, char** argv) {
    if (argc<2) return 255;
    data_t data;
    data.reserve(4392580288);   // for the  45 GiB file benchmark
    // data.reserve(402653284); // for the 4.5 GiB file benchmark

    boost::iostreams::mapped_file mmap(argv[1], boost::iostreams::mapped_file::readonly);
    auto f = mmap.const_data();
    auto l = f + mmap.size();

    using namespace qi;

    auto start_parse = hrclock::now();
    bool ok = phrase_parse(f,l,int_parser<uint32_t, 10>() % eol, blank, data);
    auto stop_time = hrclock::now();

    if (ok)   
        std::cout << "Parse success\n";
    else 
        std::cerr << "Parse failed at #" << std::distance(mmap.const_data(), f) << " around '" << std::string(f,f+50) << "'\n";

    if (f!=l) 
        std::cerr << "Trailing unparsed: " << std::distance(f,l) << " characters\n";

    std::cout << "Data.size():   " << data.size() << "\n";
    std::cout << "Time taken by parsing: " << std::chrono::duration_cast<std::chrono::milliseconds>(stop_time-start_parse).count() / 1000.0 << "s\n";
}

^[1] создается с od -t u4 /dev/urandom -A none -v -w4 | pv | dd bs=1M count=$((9*1024/2)) iflag=fullblock > smaller.txt

^[2] очевидно, это было с файлом, кэшированным в буферном кэше на linux - большой файл не имеет этого преимущества