在 R 中将字符串一分为二比 strsplit() 更节省内存的方法

Question

我有一个 1.8m 字符串，我需要将其分割为一个 50 个字符串，该字符串出现一次非常接近 1.8m 字符串的开头（大约 10k 个字符）

使用strsplit()错误

long_string %>% strsplit(., fifty_character_string)

# Error: C stack usage  9065064 is too close to the limit

我尝试用这种方法和这个问题解决特定错误，但到目前为止还没有运气。

所以现在我正在研究是否有一种更有效的内存方法来将一个很长的字符串分成两部分。我不太可能需要多次执行此操作，因此我愿意接受只需完成工作的黑客方法

Answer 1

以下是执行此操作的不同方法的快速比较：

library(stringi)
library(dplyr)

# get some sample data
set.seed(1)
long_string <- stri_paste(stri_rand_lipsum(10000), collapse = " ")
x <- sample(9000:11000, 1)
split_string <- substr(long_string, x, x + 49)

result <- long_string %>% strsplit(., split_string)
length(unlist(result))
#> [1] 2

substr_fun <- function(str, pattern) {
  idx <- regexpr(pattern, str, fixed = TRUE)
  res1 <- list(c(substr(str, 1, idx-1), substr(str, idx + attr(idx, "match.length"), nchar(str))))
  return(res1)  
}

bench::mark(
  strsplit_dplyr = long_string %>% strsplit(., split_string),
  strsplit_dplyr_fixed = long_string %>% strsplit(., split_string, fixed = TRUE),
  strsplit = strsplit(long_string, split_string),
  strsplit_fixed = strsplit(long_string, split_string, fixed = TRUE),
  stri_split_fixed = stringi::stri_split_fixed(long_string, split_string),
  str_split = stringr::str_split(long_string, stringr::fixed(split_string)),
  substr_fun = substr_fun(long_string, split_string)
)
#> # A tibble: 7 x 6
#>   expression                min   median `itr/sec` mem_alloc `gc/sec`
#>   <bch:expr>           <bch:tm> <bch:tm>     <dbl> <bch:byt>    <dbl>
#> 1 strsplit_dplyr          131ms  134.8ms      7.44      280B        0
#> 2 strsplit_dplyr_fixed   36.6ms   37.6ms     26.5       280B        0
#> 3 strsplit                133ms  133.8ms      7.40        0B        0
#> 4 strsplit_fixed         35.4ms   37.2ms     26.7         0B        0
#> 5 stri_split_fixed       40.7ms   42.5ms     23.6     6.95KB        0
#> 6 str_split              41.6ms   43.1ms     23.4    35.95KB        0
#> 7 substr_fun             13.6ms   14.8ms     67.1         0B        0

就内存使用而言，strsplit使用该选项fixed = TRUE并且没有管道开销是最好的解决方案。stringi和中的实现stringr似乎更快一点，但它们在内存方面的开销甚至比管道的影响更大。

更新

我添加了@H 1答案中的方法以及他获取用于拆分的 50 个字符子字符串的方法。唯一的变化是我将它包装在一个函数中并fixed = TRUE再次添加，因为我认为在这种情况下它更有意义。

如果您不想在字符串中进行多次分割，那么新函数显然是赢家！