C#多线程词频统计

此乃软件工程课的个人项目，小弟入门水平请轻拍。。

多谢anran大神指点@wanganran http://www.cnblogs.com/wanganran/archive/2012/09/25/2703179.html

以及参考了一个C#的多线程入门的文章 http://www.cnblogs.com/icuit/archive/2012/12/05/2800941.html

各位看官想要最终代码可直接跳转到最后。。

10.08：初步考虑用多线程（双线程，一个IO，一个compute），先快速写出单线程最最最简单的版本

 1 　　　　　　　string rootdir = args[0];
 2             int N = Convert.ToInt32(args[1]);
 3             string filePattern = args[2];
 4 
 5             string[] files = Directory.GetFiles(rootdir, filePattern);
 6 
 7             int[] tablet = new int[128];
 8             for (int i = 'a'; i <= 'z'; i++) 
 9             {
10                 tablet[i] = 1;
11             }
12             for (int i = 'A'; i <= 'Z'; i++)
13             {
14                 tablet[i] = 1;
15             }
16             StringBuilder sb = new StringBuilder(100);
17             Dictionary<string, int> result = new Dictionary<string, int>(50000);
18 
19             string strKey = "";
20             string readLine = "";
21             foreach (string file in files)
22             {
23                 FileStream fs = new FileStream(file,FileMode.Open);
24                 StreamReader sr = new StreamReader(fs);
25                 readLine = sr.ReadToEnd();
26                 sr.Close();
27                 fs.Close();
28 
29                 int state = 0;
30 
31                 for (int i = 0; i < readLine.Length; i++) 
32                 {
33                     switch (state)
34                     {
35                         case 0:
36                             if ((state = ((readLine[i] & 0x7f) != readLine[i]) ? 0 : tablet[readLine[i]]) != 0)
37                             {
38                                 sb.Clear();
39                                 sb.Append(readLine[i]);
40                             }
41                             break;
42                         default:
43                             if ((state = ((readLine[i] & 0x7f) != readLine[i]) ? 0 : tablet[readLine[i]]) == 0)
44                             {
45                                 if (sb.Length >= 1)
46                                 {
47                                     strKey = sb.ToString();
48                                     strKey = strKey.ToLower();
49                                     int value;
50                                     if (result.TryGetValue(strKey,out value))
51                                     {
52                                         result[strKey]++;
53                                     }
54                                     else 
55                                     {
56                                         result.Add(strKey,1);
57                                     }
58                                 }
59                             }
60                             else
61                                 sb.Append(readLine[i]);
62                             break;
63                     }
64                 }
65             }
66             var outputResult = from KVP in result
67                              orderby KVP.Value descending
68                              select new StringBuilder(KVP.Key).Append(" ").Append(KVP.Value);
69             int count = 0;
70             foreach (var str in outputResult)
71             {
72                 Console.WriteLine(str);
73                 count++;
74                 if (count > N - 1) break;
75             }

考虑了简单的优化包括：

1, StringBuilder.Append

2, Dictionary 索引复杂度O(1)

3, Dictionary.trygetvalue代替Dictionary.containsKey();

4,估算单词个数提前开辟内存

性能分析：

考虑优化String.ToLower(),两种思路：

1, 自己写tolower函数

2, 先不tolower，最后再merge

自己写ToLower()函数（因为前面已经根据字母表对tolower的输入进行了限制，故此处可省略很多判断步骤）：

        public static StringBuilder ToLower(StringBuilder str) 
        {
            for (int i = 0; i < str.Length; i++) 
            {
                if (str[i] <= 'Z') 
                {
                    str[i] =(char) ((int)str[i]+32);
                }
            }
                return str;
        }

只需原来1/6的时间

10.09. 第一项任务是把tolower merge到最后一步完成。

即统计词频时区分大小写简历dictionary,最后再创建新的dictionary对每一个key tolower，再merge。

2小时后：遇到了一个问题

Dictionary<StringBuilder,int> 中的stringbuilder是地址形式存在的，每次Add必须新创建而不能单纯改变其值，否则dictionary.tryGetValue总是true

但是新创建sb类就会浪费时间，先通过string创建StringBuilder再sb.toString()反而多了一次消耗。

总的回顾发现区分大小写保存dictionary再merge的思想，增加了创建第一个dictionary时每次的索引时间，且每个单词多增加了一次string到StringBuilder的内存开辟时间，增加了一次遍历每个数组并索引的操作（建立新的dictionary），而收益是从每个单词执行一次tolower到每种单词（区分大小写）tolower一次。

遂决定暂时放弃这个思路。

下一步：决定设时间点统计一下io操作和计算操作所用时间比(此为用cmd跑程序，要比在ide中跑时间快，后面有些图是在ide中跑的程序)

测试数据集为原数据集复制粘贴若干次后，大小约100M的若干txt文件。

可以看到IO时间只占总时间的约1/8~1/10

所以目前程序开双线程意义不大，可以考虑先考虑继续优化单线程或开多线程处理。

2小时后：

感觉单线程的瓶颈在于索引，这点取决于dictionary数据结构，暂时先不考虑优化。

尝试动手写多线程。

决定先把单线程代码整理一下。

  1         static StringBuilder sb = new StringBuilder(100);
  2         static Dictionary<string, int> result = new Dictionary<string, int>(50000);
  3         static int[] tablet = new int[128];
  4         static void Main(string[] args)
  5         {
  6             DateTime dt = DateTime.Now;
  7             string rootdir = args[0];
  8             int N = Convert.ToInt32(args[1]);
  9             string filePattern = args[2];
 10 
 11             string[] files = Directory.GetFiles(rootdir, filePattern);
 12 
 13             for (int i = 'a'; i <= 'z'; i++)
 14             {
 15                 tablet[i] = 1;
 16             }
 17             for (int i = 'A'; i <= 'Z'; i++)
 18             {
 19                 tablet[i] = 1;
 20             }
 21 
 22             string readLine = "";
 23 
 24             DateTime COMt = new DateTime();
 25             DateTime IOt = new DateTime();
 26             DateTime OTHt = new DateTime();
 27             long COMtime = 0;
 28             long IOtime = 0;
 29             long OTHtime = 0;
 30 
 31             foreach (string file in files)
 32             {
 33                 IOt = DateTime.Now;
 34 
 35                 readLine = ReadFile(file);
 36 
 37                 IOtime += DateTime.Now.Second * 1000 + DateTime.Now.Millisecond - IOt.Second * 1000 - IOt.Millisecond;
 38 
 39                 COMt = DateTime.Now;
 40 
 41                 Compute(readLine);
 42 
 43                 COMtime += DateTime.Now.Second * 1000 + DateTime.Now.Millisecond - COMt.Second * 1000 - COMt.Millisecond;
 44             }
 45 
 46             OTHt = DateTime.Now;
 47 
 48             var outputResult = from KVP in result
 49                              orderby KVP.Value descending
 50                              select new StringBuilder(KVP.Key).Append(" ").Append(KVP.Value);
 51             int count = 0;
 52             foreach (var str in outputResult)
 53             {
 54                 Console.WriteLine(str);
 55                 count++;
 56                 if (count > N - 1) break;
 57             }
 58             OTHtime = DateTime.Now.Second * 1000 + DateTime.Now.Millisecond - OTHt.Second * 1000 - OTHt.Millisecond;
 59 
 60             DateTime ot = DateTime.Now;
 61             Console.WriteLine("IO time:" + IOtime + "ms. Compute time:" + COMtime + "ms. Other time: " + OTHtime + "ms.");
 62             Console.WriteLine("Time: " + ((ot.Minute * 60 + ot.Second) * 1000 + ot.Millisecond - (dt.Minute * 60 + dt.Second) * 1000 - dt.Millisecond) + "ms");
 63             Console.ReadKey();
 64         }
 65 
 66         public static string ReadFile(string file)
 67         {
 68             string readLine;
 69             FileStream fs = new FileStream(file, FileMode.Open);
 70             StreamReader sr = new StreamReader(fs);
 71             readLine = sr.ReadToEnd();
 72             sr.Close();
 73             fs.Close();
 74             return readLine;
 75         }
 76 
 77         public static void Compute(string readLine)
 78         {
 79             string strKey = "";
 80             int value;
 81             int state = 0;
 82 
 83             for (int i = 0; i < readLine.Length; i++)
 84             {
 85                 switch (state)
 86                 {
 87                     case 0:
 88                         if ((state = ( readLine[i] > ’z’ ) ? 0 : tablet[readLine[i]]) != 0)
 89                         {
 90                             sb.Clear();
 91                             sb.Append(readLine[i]);
 92                         }
 93                         break;
 94                     default:
 95                         if ((state = ( readLine[i] > ’z’ ) ? 0 : tablet[readLine[i]]) == 0)
 96                         {
 97                             if (sb.Length >= 1)
 98                             {
 99                                 //strKey = sb.ToString();
100                                 //strKey = strKey.ToLower();
101                                 strKey = ToLower(sb).ToString();
102                                 if (result.TryGetValue(strKey, out value))
103                                 {
104                                     result[strKey]++;
105                                 }
106                                 else
107                                 {
108                                     result.Add(strKey, 1);
109                                 }
110                             }
111                         }
112                         else
113                             sb.Append(readLine[i]);
114                         break;
115                 }
116             }
117         }
118 
119         public static StringBuilder ToLower(StringBuilder str)
120         {
121             for (int i = 0; i < str.Length; i++)
122             {
123                 if (str[i] <= 'Z')
124                 {
125                     str[i] = (char)((int)str[i] + 32);
126                 }
127             }
128             return str;
129         }
130

多线程，参考wang anran大神使用BlockingCollection<T>

先写两个线程（IO与Compute），共享一个static dictionary<string,int>以及一个static BlockingCollection<string>，预测可以比单线程提高1/10左右用时（因为创建线程也耗时间）

晚9点：

双线程的已经写完，果然如预测提升了约1/10左右的时间：

但是发现了一个bug，单个字母的统计结果与另一位同学的程序的结果不符。

现在准备来检查一下原因。

终于找到了，原因在于对于字母的分割的歧义上。

按照qiufeng老师给出的规定：Treat all non-alphabet characters as split characters.

所有不在字母表中的字符（包括数字）均视为分隔符。例如：a3b应视为a和b两个单词进行统计。

明天决定进行多个线程协同统计的编写。难点在于如何判别多个线程都已处理完毕。

10.10 准备写一个线程IO，两个线程compute

先把双线程的代码贴出来备份（奇怪的是今天的双线程跑不出昨天的速度了。。忘记改了哪里。。）

  1      class Program
  2     {
  3         static StringBuilder sb = new StringBuilder(100);
  4         static Dictionary<string, int> result = new Dictionary<string, int>(50000);
  5         static int[] tablet = new int[128];
  6         static BlockingCollection<string> queue=new BlockingCollection<string>(100);
  7         static void Main(string[] args)
  8         {
  9             DateTime dt = DateTime.Now;
 10             string rootdir = args[0];
 11             int N = Convert.ToInt32(args[1]);
 12             string filePattern = args[2];
 13             string[] files = Directory.GetFiles(rootdir, filePattern);
 14 
 15             for (int i = 'a'; i <= 'z'; i++)
 16             {
 17                 tablet[i] = 1;
 18             }
 19             for (int i = 'A'; i <= 'Z'; i++)
 20             {
 21                 tablet[i] = 1;
 22             }
 23 
 24             Thread FileIOth = new Thread(delegate() 
 25                 {
 26                     Read(files);
 27                 });
 28             FileIOth.Start();
 29 
 30 
 31             Thread WorkerTh = new Thread(delegate()
 32             {
 33                 Process();
 34                 var outputResult = from KVP in result
 35                                    orderby KVP.Value descending
 36                                    select new StringBuilder(KVP.Key).Append(" ").Append(KVP.Value);
 37                 int count = 0;
 38                 foreach (var str in outputResult)
 39                 {
 40                     Console.WriteLine(str);
 41                     count++;
 42                     if (count > N - 1) break;
 43                 }
 44                 DateTime ot = DateTime.Now;
 45                 Console.WriteLine("Time: " + ((ot.Minute * 60 + ot.Second) * 1000 + ot.Millisecond - (dt.Minute * 60 + dt.Second) * 1000 - dt.Millisecond) + "ms");
 46                 Console.ReadKey();
 47             });
 48             WorkerTh.Start();
 49 
 50 
 51         }
 52 
 53         public static void Read(string[] files)
 54         {
 55             foreach (string file in files)
 56             {
 57                 queue.TryAdd(ReadFile(file), -1);
 58             }
 59             queue.TryAdd("END", -1);
 60         }
 61 
 62         public static string ReadFile(string file)
 63         {
 64             string readLine;
 65             FileStream fs = new FileStream(file, FileMode.Open);
 66             StreamReader sr = new StreamReader(fs);
 67             readLine = sr.ReadToEnd();
 68             sr.Close();
 69             fs.Close();
 70             return readLine;
 71         }
 72 
 73         public static void Process()
 74         {
 75             string readLine;
 76             while (true)
 77             {
 78                     queue.TryTake(out readLine, -1);
 79                     if (readLine == "END")
 80                     {
 81                         queue.TryAdd("END", -1);
 82                         break;
 83                     }
 84                     Compute(readLine);
 85             }
 86         }
 87 
 88         public static void Compute(string readLine)
 89         {
 90             string strKey = "";
 91             int value;
 92             int state = 0;
 93 
 94             for (int i = 0; i < readLine.Length; i++)
 95             {
 96                 switch (state)
 97                 {
 98                     case 0:
 99                         if ((state = (readLine[i] > 'z') ? 0 : tablet[readLine[i]]) != 0)
100                         {
101                             sb.Clear();
102                             sb.Append(readLine[i]);
103                         }
104                         break;
105                     default:
106                         if ((state = (readLine[i] > 'z') ? 0 : tablet[readLine[i]]) == 0)
107                         {
108                             if (sb.Length >= 1)
109                             {
110                                 strKey = ToLower(sb).ToString();
111                                 if (tablet[strKey[0]] != 1) return;
112                                 if (result.TryGetValue(strKey, out value))
113                                 {
114                                     result[strKey]++;
115                                 }
116                                 else
117                                 {
118                                     result.Add(strKey, 1);
119                                 }
120                             }
121                         }
122                         else
123                             sb.Append(readLine[i]);
124                         break;
125                 }
126             }
127         }
128 
129         public static StringBuilder ToLower(StringBuilder str)
130         {
131             for (int i = 0; i < str.Length; i++)
132             {
133                 if (str[i] <= 'Z')
134                 {
135                     str[i] = (char)((int)str[i] + 32);
136                 }
137             }
138             return str;
139         }
140     }

多线程：两个compute一个io

多线程反而更慢。。。寻找原因。

请教了anran大神，大神表示lock非常占时间。。建议更换线程安全的dictionary。

果然。。速度提升了20%。。（先去吃饭，回来再写）

测试了4线程5线程…8线程

发现1个主线程1个io线程3个compute线程的速度最快

  1 　　class Program
  2     {
  3         static ConcurrentDictionary<string, int> result = new ConcurrentDictionary<string, int>(1, 50000);
  4         static int[] tablet = new int[128];
  5         static BlockingCollection<string> queue;
  6         static Thread WorkerTh0;
  7         static Thread WorkerTh1;
  8         static Thread WorkerTh2;
  9         static void Main(string[] args)
 10         {
 11             DateTime dt = DateTime.Now;
 12             string rootdir = args[0];
 13             int N = Convert.ToInt32(args[1]);
 14             string filePattern = args[2];
 15 
 16             string[] files = Directory.GetFiles(rootdir, filePattern);
 17 
 18             for (int i = 'a'; i <= 'z'; i++)
 19             {
 20                 tablet[i] = 1;
 21             }
 22             for (int i = 'A'; i <= 'Z'; i++)
 23             {
 24                 tablet[i] = 1;
 25             }
 26 
 27             queue = new BlockingCollection<string>(100);
 28             Thread FileIOth = new Thread(delegate() { Read(files); });
 29             FileIOth.Start();
 30 
 31             WorkerTh0 = new Thread(delegate()
 32                 {
 33                     Process();
 34                 });
 35             WorkerTh0.Start();
 36             WorkerTh1 = new Thread(delegate()
 37             {
 38                 Process();
 39             });
 40             WorkerTh1.Start();
 41 
 42             WorkerTh2 = new Thread(delegate()
 43                 {
 44                     Process();
 45                     var outputResult = from KVP in result
 46                                        orderby KVP.Value descending
 47                                        select new StringBuilder(KVP.Key).Append(" ").Append(KVP.Value);
 48                     int count = 0;
 49                     foreach (var str in outputResult)
 50                     {
 51                         Console.WriteLine(str);
 52                         count++;
 53                         if (count > N - 1) break;
 54                     }
 55                     DateTime ot = DateTime.Now;
 56                     Console.WriteLine("Time: " + ((ot.Minute * 60 + ot.Second) * 1000 + ot.Millisecond - (dt.Minute * 60 + dt.Second) * 1000 - dt.Millisecond) + "ms");
 57                     //Console.ReadKey();
 58                 });
 59             WorkerTh2.Start();
 60 
 61 
 62         }
 63 
 64         public static void Read(string[] files)
 65         {
 66             foreach (string file in files)
 67             {
 68                 queue.TryAdd(ReadFile(file), -1);
 69             }
 70             queue.TryAdd("END", -1);
 71         }
 72 
 73         public static string ReadFile(string file)
 74         {
 75             string readLine;
 76             FileStream fs = new FileStream(file, FileMode.Open);
 77             StreamReader sr = new StreamReader(fs);
 78             readLine = sr.ReadToEnd();
 79             sr.Close();
 80             fs.Close();
 81             return readLine;
 82         }
 83 
 84         public static void Process()
 85         {
 86             string readLine;
 87             while (true)
 88             {
 89                 queue.TryTake(out readLine, -1);
 90                 if (readLine == "END")
 91                 {
 92                     queue.TryAdd("END", -1);
 93                     break;
 94                 }
 95                 Compute(readLine);
 96             }
 97         }
 98 
 99         public static void Compute(string readLine)
100         {
101             StringBuilder sb = new StringBuilder(100);
102             string strKey = "";
103             int value;
104             int state = 0;
105 
106             for (int i = 0; i < readLine.Length; i++)
107             {
108                 switch (state)
109                 {
110                     case 0:
111                         if ((state = (readLine[i] > 'z') ? 0 : tablet[readLine[i]]) != 0)
112                         {
113                             sb.Clear();
114                             sb.Append(readLine[i]);
115                         }
116                         break;
117                     default:
118                         if ((state = (readLine[i] > 'z') ? 0 : tablet[readLine[i]]) == 0)
119                         {
120                             if (sb.Length >= 1)
121                             {
122                                 strKey = ToLower(sb).ToString();
123                                 result.AddOrUpdate(strKey, 1, (k, v) => v + 1);
124                             }
125                         }
126                         else
127                             sb.Append(readLine[i]);
128                         break;
129                 }
130             }
131         }
132 
133         public static StringBuilder ToLower(StringBuilder str)
134         {
135             for (int i = 0; i < str.Length; i++)
136             {
137                 if (str[i] <= 'Z')
138                 {
139                     str[i] = (char)((int)str[i] + 32);
140                 }
141             }
142             return str;
143         }
144     }

决定等真实数据来了再测试一下效果。

posted @ 2013-10-10 13:41 RheetZheng 阅读(1235) 评论(0) 编辑收藏举报

刷新页面返回顶部

C#多线程词频统计

公告