与Python相比，具有动态分配的结构数组在C中运行非常慢

Question

我“粘合”在一起（在其他SO用户的帮助下）一个小C程序，它将字符串标签映射到edgelist数据结构中的整数标签。例如，对于输入文件

Mike Andrew
Mike Jane
John Jane

程序输出

^{pr2}$

然而，我映射了大量的edgelist文件，不幸的是，与Python替代方案相比，这个程序运行得非常慢。下面我用C和Python粘贴了两个程序。我恳请您指点如何提高C程序的速度。在

#include <stdio.h>
#include <stdlib.h>

// Initial number of maximal lines in a file
enum { MAXL = 200};

typedef struct {
    unsigned int first;
    unsigned int second;
} edge;

typedef struct {
    unsigned int hashed;
     char **map;
} hash;


int insertInMap(hash *map, char *entry)
{
  int i =0;
  for (i=0;i<map->hashed;i++)
  {
    if (strcmp(map->map[i],entry) == 0)
    return i+1;
  }
  /* Warning no boundary check is added */
  map->map[map->hashed++] = strdup(entry);   
  return map->hashed;
}

int main() {
  FILE *fp = NULL;
  char node1[30];
  char node2[30];
  int idx = 0;
  int i, n = 0, maxl = MAXL;

  edge *edges;
  hash map;

  edges = malloc(MAXL * sizeof(edge));
  map.map = malloc(MAXL * sizeof(char*));
  map.hashed = 0;

  fp = fopen("./test.txt", "r");

  while (fscanf(fp, "%s %s", &node1, &node2) == 2) {
    if (++n == maxl) { /* if limit reached, realloc lines  */
      void *tmp = realloc (edges, (maxl + 40) * sizeof *edges);
      void *tmp1 = realloc (map.map, (maxl + 80) * sizeof(char*));
      if (!tmp) {     /* validate realloc succeeded */
        fprintf (stderr, "error: realloc - virtual memory exhausted.\n");
        break;      /* on failure, exit with existing data */
      }
      edges = tmp;    /* assign reallocated block to lines */

      map.map = tmp1;
      maxl += 40;     /* update maxl to reflect new size */
    }
    edges[idx].first = insertInMap(&map,node1);
    edges[idx].second = insertInMap(&map,node2);
    idx++;
  }

  fclose(fp);

  for (int i = 0; i < idx; i++) {
    printf("%d -- %d\n", edges[i].first, edges[i].second);
  }


  free(edges);

  return 0;
}

相应的Python替代方案：

import fileinput

i = 0
cui2int = {}

for line in fileinput.input():    
    (cui1, cui2) = line.split()
    if cui1 in cui2int:
        int1 = cui2int[cui1]
    else:
        i += 1
        cui2int[cui1] = i
        int1 = i

    if cui2 in cui2int:
        int2 = cui2int[cui2]
    else:
        i += 1
        cui2int[cui2] = i
        int2 = i

    print(int1, int2)

编辑并添加

下面是使用GLib散列实现的修改代码。我改进了性能，但不幸的是，输出仍然有问题

^{pr2}$

而不是

0 0
0 1
1 1

谁能看看吗。在

#include <stdio.h>
#include <stdlib.h>
#include <glib.h>
#include <stdint.h>

int main() {
  GHashTable *table;
  table = g_hash_table_new(g_int_hash, g_int_equal);

  FILE *fp = NULL;
  char node1[30];
  char node2[30];

  fp = fopen("./test.txt", "r");
  int i = 0;
  while (fscanf(fp, "%s %s", &node1, &node2) == 2) {
    char *key1 = malloc(sizeof(char)*1024);
    char *key2 = malloc(sizeof(char)*1024);
    uint32_t* value = (uint32_t *)malloc(sizeof(uint32_t));
    key1 = g_strdup(node1);
    key2 = g_strdup(node2);
    *value = i;

    uint32_t *x;
    if (g_hash_table_contains(table, key1)) {
      x = (uint32_t *)g_hash_table_lookup(table, key1);
    } else {
      i++;
      g_hash_table_insert(table, (gpointer)key1, (gpointer)value);
      x = (uint32_t *)value;
    }

    uint32_t *y;
    if (g_hash_table_contains(table, key2)) {
      y = (uint32_t *)g_hash_table_lookup(table, key2);
    } else {
      g_hash_table_insert(table, (gpointer)key2, (gpointer)value);
      y = (uint32_t *)value;
    }
    printf("%d -- %d\n", *x, *y);
  }

  fclose(fp);

  g_hash_table_destroy(table);
  table = NULL;
  return 0;
}

Answer 1

这两个程序使用的数据结构完全不同，具有不同的时间复杂度。python程序正在使用一个字典，它是一个经过高度调优的hash-table，具有O（1）摊余性能的查找和删除。在

所以python程序是以渐进复杂性运行的。在

现在，谈到您的C程序，您尝试创建的基本上只是一个键值对数组。在这里插入数组的可能需要一个匹配的数组。在

如果你做一些数学运算，结果是O（（字数）²。在

C++具有内置的哈希表实现，名为unordered_map，如果您没有问题切换到C++，则可以使用它。或者看看这个问题，学习用C写你自己的哈希表。What is a hash table and how do you make it in C?

Answer 2

你的代码的问题是，尽管它的名字，它不是一个工作的哈希表。你用一种非常慢的线性搜索来浏览地图。你应该做的是：

• 将哈希表大小设置为固定大小。避免任何基于重新分配的解决方案。在
• 想出一个哈希函数来确定表索引。网上应该有很多使用字符串的代码示例。在
• 实现存储/检查索引的方法。这可以存储在下一个可用的表索引中，或者通过实现“链接”，其中每个索引都是一个链接列表，等等

Answer 3

C语言中的“hash”操作起来更像一个链表，具有线性插入和查找功能。另一方面，Python的字典具有工业级的优势，具有O（1）平均插入和查找（即in运算符）。如果您正在用C从头开始编写hashmap，那么为了在性能方面接近Python's implementation，您需要将大量的理论付诸实践。在

在我看来，最好的办法是在可能的情况下用C++编写代码，使用^{}。这是两全其美的：所有的工作都已经为您完成了，但是您不需要对性能做出妥协。在

如果你是设置（或坚持）C，有相当多的资源在互联网上，但我犹豫是否张贴任何链接在这里，因为我不能保证他们的质量。这应该是一种教育努力。在