从文件中快速读取第n行的方法

Question

介绍

我有一个C++进程调用MyProcess我称之为nbLines时间,其中nbLines是一个大文件的行数,InputDataFile.txt在其中找到输入数据.例如电话

./MyProcess InputDataFile.txt 142

通知MyProcess输入数据将142在InputDataFile.txt文件的行中找到.

问题

问题是,InputDataFile.txt如此大(~150 GB),搜索正确行的时间不可忽略.灵感来自这篇文章,这是我的(可能不是最优的)代码

int line = 142;
int N = line - 1;
std::ifstream inputDataFile(filename.c_str());
std::string inputData;
for(int i = 0; i < N; ++i)
    std::getline(inputDataFile, inputData);

std::getline(inputDataFile,inputData);

目标

我的目标是inputData更快地进行搜索MyProcess.

可能解决方案

将每行的第一个字符的索引与行号相匹配会很方便bash.这样,而不是给142到MyProcess,我可以直接给感兴趣的第一个字符的索引.MyProcess然后可以直接跳转到此位置,而无需搜索和计算'\n'字符.然后它将读取数据,直到遇到'\n'字符.这样的事情可行吗？怎么能实现呢？

当然,我欢迎任何其他解决方案,这将减少导入这些输入数据的总计算时间.

Answer 1

正如其他答案中所建议的，构建文件映射可能是一个好主意。我这样做的方式（以伪代码）是：

let offset be a unsigned 64 bit int =0;

for each line in the file 
    read the line
    write offset to a binary file (as 8 bytes rather as chars)
    offset += length of line in bytes

现在您有一个“Map”文件，它是 64 位整数的列表（文件中的每一行一个）。要读取地图，您只需计算所需线路的条目在地图中的位置：

offset = desired_line_number * 8 // where line number starts at 0
offset2 = (desired_line_number+1) * 8

data_position1 = load bytes [offset through offset + 8] as a 64bit int from map
data_position2 = load bytes [offset2 through offset2 + 8] as a 64bit int from map

data = load bytes[data_position1 through data_position2-1] as a string from data.

这个想法是，您读取一次数据文件，并将字节偏移量记录在文件中每行开始的位置，然后使用固定大小的整数类型将偏移量顺序存储在二进制文件中。地图文件的大小应为number_of_lines * sizeof(integer_type_used). 然后，您只需通过计算存储行号偏移量的位置的偏移量来查找映射文件，并读取该偏移量以及下一行偏移量。从那里您可以得到数据应位于的数字范围（以字节为单位）。

例子：

数据：

hello\n 
world\n
(\n newline at end of file)

创建地图。

Map：每个分组[数字]将代表文件中的8字节长度

[0][7][14]
//or in binary
00000000 00000000 00000000 00000000 00000000 00000000 00000000 00000000
00000000 00000000 00000000 00000000 00000000 00000000 00000000 00000111
00000000 00000000 00000000 00000000 00000000 00000000 00000000 00001110

现在假设我想要第 2 行：

line offset = 2-1 * 8 // offset is 8 

因为我们使用的是基于 0 的系统，所以它是文件中的第 9 个字节。因此，数字由字节 9 - 17 组成，它们是：

00000000 00000000 00000000 00000000 00000000 00000000 00000000 00000111
//or as decimal
7

现在我们知道 out 行应该从数据文件中的偏移量 7 开始（该偏移量以 1 为基数，如果我们从 0 开始计数，则为 6）。

然后我们执行相同的过程来获取下一行的起始偏移量，即 14。

最后，我们查找字节范围 7-14（基数 1、6-13、基数 0）并将其存储为字符串并获取world\n。

C++实现：

#include <iostream>
#include <fstream>

int main(int argc, const char * argv[]) {
    std::string filename = "path/to/input.txt";

    std::ifstream inputFile(filename.c_str(),std::ios::binary);
    std::ofstream outfile("path/to/map/file.bin",std::ios::binary|std::ios::ate);

    if (!inputFile.is_open() || !outfile.is_open()) {
        //use better error handling than this
        throw std::runtime_error("Error opening files");
    }


    std::string inputData;
    std::size_t offset = 0;
    while(std::getline(inputFile, inputData)){
        //write the offset as binary
        outfile.write((const char*)&offset, sizeof(offset));
        //increment the counter
        offset+=inputData.length()+2;
        //add one becuase getline strips the \n and add one to make the index represent the next line
    }
    outfile.close();

    offset=0;

    //from here on we are reading the map
    std::ifstream inmap("/Users/alexanderzywicki/Documents/xcode/textsearch/textsearch/map",std::ios::binary);
    std::size_t line = 2;//your chosen line number
    std::size_t idx = (line-1) * sizeof(offset); //the calculated offset
    //seek into the map
    inmap.seekg(idx);
    //read the binary at that location
    inmap.read((char*)&offset, sizeof(offset));
    std::cout<<offset<<std::endl;

    //from here you just need to lookup from the data file in the same manor


    return 0;
}