В настоящее время я пытаюсь создать функцию C++, чтобы объединить два файла с разделенными каналами с более чем 10.000.000 записей в одном или двух ключевых полях.
Филе выглядят как
P2347|John Doe|C1234
P7634|Peter Parker|D2344
P522|Toni Stark|T288
а также
P2347|Bruce Wayne|C1234
P1111|Captain America|D534
P522|Terminator|T288
Чтобы присоединиться к полям 1 и 3, ожидаемый результат должен показывать:
P2347|C1234|John Doe|Bruce Wayne
P522|T288|Toni Stark|Terminator
То, о чем я сейчас думаю, использует set/array/vector для чтения в файлах и создает что-то вроде:
P2347|C1234>>John Doe
P522|T288>>Toni Stark
а также
P2347|C1234>>Bruce Wayne
P522|T288>>Terminator
И затем используйте проскальзывание первой части в качестве ключа и сопоставьте ее со вторым набором/вектором/массивом.
В настоящее время у меня есть: Прочитайте в первом файле и сопоставьте второй файл по строкам с набором. Он берет всю строку и сопоставляет ее:
#include iostream>
#include fstream>
#include string>
#include set>
#include ctime>
using namespace std;
int main()
{
clock_t startTime = clock();
ifstream inf("test.txt");
set lines;
string line;
for (unsigned int i=1; std::getline(inf,line); ++i)
lines.insert(line);
ifstream inf2("test2.txt");
clock_t midTime = clock();
ofstream outputFile("output.txt");
while (getline(inf2, line))
{
if (lines.find(line) != lines.end())
outputFile > a;
return 0;
}
Я очень рад за любое предложение. Я также счастлив изменить всю концепцию, если есть лучший (более быстрый) способ. Скорость критическая, так как может быть даже более 10 миллионов записей.
EDIT: Еще одна идея - взять карту и ключом будет ключ, но это может быть немного медленнее. Какие-либо предложения?
Большое спасибо за любую помощь!
Я попробовал несколько способов, чтобы эта задача была завершена, ни одна из них не была эффективной:
Прочитайте все в наборе и проанализируйте ключевые поля в формате: ключи >> значения, моделирующие набор типов массива. Парсинг занимал много времени, но использование памяти остается относительно низким. Не полностью разработан код:
#include \
#include \
#include \
#include \
#include \
#include \
#include \
std::vector &split(const std::string &s, char delim, std::vector &elems) {
std::stringstream ss(s);
std::string item;
while (std::getline(ss, item, delim)) {
elems.push_back(item);
}
return elems;
}
std::vector split(const std::string &s, char delim) {
std::vector elems;
split(s, delim, elems);
return elems;
}
std::string getSelectedRecords(std::string record, int position){
std::string values;
std::vector tokens = split(record, ' ');
//get position in vector
for(auto& s: tokens)
//pick last one or depending on number, not developed
values = s;
return values;
}
int main()
{
clock_t startTime = clock();
std::ifstream secondaryFile("C:/Users/Batman/Desktop/test/secondary.txt");
std::set secondarySet;
std::string record;
for (unsigned int i=1; std::getline(secondaryFile,record); ++i){
std::string keys = getSelectedRecords(record, 2);
std::string values = getSelectedRecords(record, 1);
secondarySet.insert(keys + ">>>" + values);
}
clock_t midTime = clock();
std::ifstream primaryFile("C:/Users/Batman/Desktop/test/primary.txt");
std::ofstream outputFile("C:/Users/Batman/Desktop/test/output.txt");
while (getline(primaryFile, record))
{
//rewrite find() function to go through set and find all keys (first part until >> ) and output values
std::string keys = getSelectedRecords(record, 2);
if (secondarySet.find(keys) != secondarySet.end())
outputFile > a;
return 0;
}
Вместо того, чтобы делиться трубой, в настоящее время используется разделенное пространство, но это не должно быть проблемой. Чтение данных происходит очень быстро, но синтаксический анализ занимает очень много времени
Другой вариант - использовать мультимап. Аналогичная концепция с ключевыми полями, указывающими на значения, но эта очень низкая и интенсивная память.
#include \
#include \
#include \
#include \
#include \
#include \
#include \
int main()
{
std::clock_t startTime = clock();
std::ifstream inf("C:/Users/Batman/Desktop/test/test.txt");
typedef std::multimap Map;
Map map;
std::string line;
for (unsigned int i=1; std::getline(inf,line); ++i){
//load tokens into vector
std::istringstream buffer(line);
std::istream_iterator beg(buffer), end;
std::vector tokens(beg, end);
//get keys
for(auto& s: tokens)
//std::cout >>" second;
outputFile > a;
return 0;
}
Дальнейшие мысли: разделение файлов разделенных труб на разные файлы с одним столбцом справа при импорте данных. При этом мне не придется разбирать что-либо, но может читать в каждом столбце отдельно.
EDIT: оптимизирован первый пример с помощью функции рекурсивного разделения. Еще> 30 секунд для 100 000 записей. Хотелось бы увидеть, что быстрее и фактическая функция find() по-прежнему отсутствует.
Есть предположения? Благодарю!