Забавный но досадный глюк

[runewalsh]

Господа, я понимаю, что оптимальные алгоритмы — не конёк дельфистов, а, возможно, англоцентризм UTF-8 и задевает чьи-то чувства, но зачем усложнять? Вот более оптимальный и простой код, не вызывающий в цикле Copy и т. п.:

Код: Выделить всё

StartBytePos:=@utf8[1];
for j:=1 to UTF8Length(utf8) do
begin
  if UTF8CharacterToUnicode(StartBytePos, CharLen) = 32 then
    Inc(TestCount);
  StartBytePos := StartBytePos + CharLen;
end;

Разница со сгенерированным файлом — 5 раз. На той же "Божественной комедии" — 1.5. Где мои 3000% или хотя бы 1000? Я с вас угораю.

[debi12345]

Спасение для UTF8 - аппаратная (на уровне CPU/GPU) акселерация строковых манипуляций, эдакие строковые MMX/SSE/шэйдеры

Продолжая разговор сам с собой, предположу, что если бы UTF8 была внедрена MicroSoft-ом, то такая акселерация давно бы уже была в процах Но опять-таки скорее всего вместе с акселерацией для UTF16.

[alexey38]

Я с вас угораю.

Я над Вами уже давно так делаю. Тугодумство конечно не великий недостаток, но в программировании не есть козырь.

[debi12345]

Разница со сгенерированным файлом — 5 раз.

Даже эта разница не просто огромна, а чудовищна

[runewalsh]

Даже эта разница не просто огромна, а чудовищна

Смотри на реальный текст, ок. Нагенерировать много чего можно.

[debi12345]

По части конверсии строк FPC впереди планеты всей. В "С" коверсия в UCS-2 превращается в полный кошмар, единственно надежно рабочий код ниже :

Код: Выделить всё

wchar_t* mb2wstr(const char* inval) {
    size_t size = strlen(inval);
#define OUTSZ (size+1)*sizeof(wchar_t)
    wchar_t* buf = (wchar_t*)malloc(OUTSZ);
    memset(buf, 0, OUTSZ);
    setlocale(LC_CTYPE,""); //  REQUIRED!
    size = mbstowcs(buf, inval, size);
    if ( size == (size_t)(-1) ) {
     free(buf);
     buf = NULL;
    } else {
      buf = (wchar_t*)realloc(buf,OUTSZ);
    }
    return buf;
#undef OUTSZ
}

[alexey38]

if UTF8CharacterToUnicode(StartBytePos, CharLen) = 32 then

Приведенный Вами алгоритм является наглядным примером подлога. Во-первых, он строго адаптирован к конкретному тесту, и сравнение с кодом пробела - это частный, а не общий случай, так что не везде применишь. Но самое главное, Вы выполнили преобразование из UTF8, в UTF32. Таким образом, Вы не смогли решить задачу в постановке UTF8. Возникает вопрос, а на кой нужен UTF8, если он без UTF32 замедляет в 30 раз, а в комбинации с UTF32 замедляет в 5 раз?
Сравнил i7 3770K c Atom N270, последний всего в 3 раза медленнее. То есть за счет аппаратуры проблему не решить.

Упертость отдельных личностей вызывает только смех. Можно биться головой об стену, можно в каждом частном случае выискивать оптимальные алгоритмы, можно переписать весь наследуемый код. Вопрос зачем это, кроме как для мазахистских извращений?
В любом случае лаконичнее код:

Код: Выделить всё

if utf32[j]=32 then
  Inc(TestCount);

По сравнению с кодом:

Код: Выделить всё

  if UTF8CharacterToUnicode(StartBytePos, CharLen) = 32 then
    Inc(TestCount);
  StartBytePos := StartBytePos + CharLen;

[SeZuka]

Разница со сгенерированным файлом — 5 раз. На той же "Божественной комедии" — 1.5.

Те преувеличивай, я для такого же кода и привел 15 раз. Для реального текста так же это вряд ли будет 1.5 раза. Для чистой латиницы выходит 5 раз.

[debi12345]

Самый прикол здесь

strlen

и

sizeof(wchar_t)

,
что подразумевает промежуточное до-выделение памяти 2...4 раза, то есть для конверсии строки 1 Мсимволов в может понадобиться 5Мбайт памяти - потому что "strlen" для UTF8 возвращает не количество символов (его нельзя просто так - без посимвольной итерации, узнать), а число байт - которое может быть в 4 раза больше чем число символов. И только после вызова API-функции узнается и выставляется реальная длина (размер в памяти) результата. Трудно придумать что либо более неэффективное.

[runewalsh]

Во-первых, он строго адаптирован к конкретному тесту, и сравнение с кодом проблема - это частный, а не общий случай, так что не везде применишь.

Кот бы говорил про упёртость, везде тестировалось сравнение с #32.

Но самое главное, Вы выполнили преобразование из UTF8, в UTF32.

Не подменяй понятия. UTF-8 — представление исходной строки в памяти. Идея не в том, чтобы нагло считерить, прочитав UTF-32, а в вычленении символа, чтобы с ним можно было работать. Всё равно что прочитать в регистр. Или предлагаешь наложить искусственные ограничения на реализацию?

debi12345, в C таким мазохизмом занимаются редко, в крестах же есть boost::locale::conv::utf_to_utf и http://utfcpp.sourceforge.net/.
SeZuka, я ж не с потолка 1.5 взял, можете проверить сами на любой книжке. Русский текст — 1.5x, английский — 1.25x, японский — ок, таки 4x (UPD: чуть меньше, ~3.5), но для меня загадка, почему тормозит рандомный текст.

[debi12345]

в C таким мазохизмом не занимаются

В Линуксе в С-программе ? Это единственно рабочий способ - например прочитать нелатинский аргумент из консоли и получить его в юникодовом представлении. Подразумеваю, что и FPC внутри проделывает нечто подобное с UTF8 (ведь для нее нельзя быстро, без итераций - получить длину строки до начала операций с этой строкой) - оттого и разница в разЫ, а то и порядки.

[runewalsh]

В Линуксе в С-программе ?

Не все ж фанатики.
И в вашем примере выделение памяти подразумевается интерфейсом, хотя можно обойтись входным-выходным буферами и итерированием.

Подразумеваю, что и FPC внутри проделывает нечто подобное с UTF8

Ничего сложного в преобразовании между UTF'ами нет, вы можете сами по спекам написать близкое к оптимальному на коленке минут за 20. Другое дело — между юникодом и локальными кодировками. Но о них речи не идёт, да и с консоли (не stdin, а именно из терминала) больших объёмов информации можно не ожидать.

[debi12345]

но для меня загадка, почему тормозит рандомный текст.

Возможно из-за промахов кэша. То есть, вопрпеки ожиданием - UTF8 использует кэш наихудшим образом. Может быть как раз из-за 2..4 завышенной потребности в памяти при конверсиях.

Добавлено спустя 4 минуты 5 секунд:

Не все ж фанатики.

ПисАть на С в Линусе = фанатизм ? "С" = база "Линя" 95% процентов линуксового софта написано на "pure C".

И в вашем примере выделение памяти подразумевается интерфейсом, хотя можно обойтись входным-выходным буферами и итерированием.

Напишите кокретно рабочий код (загурзки в юникод из консоли - однобайтной или UTF8 - проиведенный тормуознутый пример это умеет) - нелатинские линуксоиды Вам огроооооомное спасибо скажут

[runewalsh]

Может быть как раз из-за 2..4 завышенной потребности в памяти при конверсиях.

НЕТ. ТАМ. НИКАКИХ. АЛЛОКАЦИЙ. >_<

ПисАть на С в Линусе = фанатизм ?

Работать с юникодом — да, отчасти. Ну и количество не значит качество; согласитесь сишные строки — убожество и источник ошибок. Даже GCC уже на кресты перешёл.

Напишите кокретно рабочий код

Просто посмотрите на дизайн "низкоуровневых" паскалевских UTF8ToUnicode и иже с ней. Собственно, достаточно mbstowcs, а смысл портянки в распределении строки, тормозить может только setlocale, выносимая в инициализацию приложения.

[debi12345]

НЕТ. ТАМ. НИКАКИХ. АЛЛОКАЦИЙ

???

Код: Выделить всё

function UTF8ToUnicode(const Src:TUTF8String):TString;
var
  lp, vp:Integer;
  c:TUTF8Char;
begin
  lp := 1;
  vp := 0;
  SetLength(Result, Length(Src));
  while lp <= Length(Src) do
  begin
    vp := vp + 1;
    c := LCharOf(Src, lp);
    Result[vp] := WideChar(UTF8ToUCS16(c));
    lp := lp + Length(c);
  end;
  SetLength(Result, vp);
end;

Дважды вызывается SetLength - один раз как ALLOC с кратным запасом по размеру (количество байт вместо количесва символов), другой - как финальный REALLOC под реальное количество символов. По ходу практически ничем не отличается от С-ого вырианта.