【实测】Python和C++下字符串查找的速度对比

完整格式链接：https://blog.imakiseki.cf/2022/03/07/techdev/python-cpp-string-find-perf-test/

背景

最近在备战一场算法竞赛，语言误选了 Python ，无奈只能着手对常见场景进行语言迁移。而字符串查找的场景在算法竞赛中时有出现。本文即对此场景在 Python 和竞赛常用语言 C++ 下的速度进行对比，并提供相关参数和运行结果供他人参考。

参数

硬件和操作系统

                   -`                    root@<hostname>                  .o+`                   ------------                 `ooo/                   OS: Arch Linux ARM aarch64                `+oooo:                  Host: Raspberry Pi 4 Model B               `+oooooo:                 Kernel: 5.16.12-1-aarch64-ARCH               -+oooooo+:                Uptime: 3 hours, 32 mins             `/:-:++oooo+:               Packages: 378 (pacman)            `/++++/+++++++:              Shell: zsh 5.8.1           `/++++++++++++++:             Terminal: /dev/pts/0          `/+++ooooooooooooo/`           CPU: (4) @ 1.500GHz         ./ooosssso++osssssso+`          Memory: 102MiB / 7797MiB        .oossssso-````/ossssss+`       -osssssso.      :ssssssso.      :osssssss/        osssso+++.     /ossssssss/        +ssssooo/-   `/ossssso+/:-        -:/+osssso+-  `+sso+:-`                 `.-/+oso: `++:.                           `-/+/ .`                                 `/

编译环境和解释环境

• Python
  • 解释器：Python 3.10.2 (main, Jan 23 2022, 21:20:14) [GCC 10.2.0] on linux
  • 交互环境：IPython 8.0.1
• C++
  • 编译器：g++ (GCC) 11.2.0
  • 编译命令：g++ test.cpp -Wall -O2 -g -std=c++11 -o test

场景

本次实测设置两个场景：场景 1 的源串字符分布使用伪随机数生成器生成，表示字符串查找的平均情况；场景 2 的源串可连续分割成 20,000 个长度为 50 的字符片段，其中第 15,001 个即为模式串，形如“ab…b”（1 个“a”，49 个 “b”），其余的字符片段形如“ab…c”（1 个“a”，48 个“b”，1 个“c”）。

项目	场景 1：平均情况	场景 2：较坏情况
字符集	小写字母	abc
字符分布	random.choice	有较强规律性
源串长度	1,000,000	1,000,000
模式串长度	1,000	50
模式串出现位置	250,000、500,000、750,000	750,000
模式串出现次数	1	1

测试方法

本次实测中，Python 语言使用内置类型 str 的 .find() 成员函数，C++ 语言分别使用 string 类的 .find() 成员函数、strstr 标准库函数和用户实现的 KMP 算法。

测试对象	核心代码
Python	src.find(pat)
C++ - test.cpp	src.find(pat)
C++ - test_strstr.cpp	strstr(src, pat)
C++ - test_kmp.cpp	KMP(src, pat)

源代码

生成源串和模式串

import random# 场景 1：# 源串s = "".join(chr(random.choice(range(ord("a"), ord("z") + 1))) for _ in range(1000000))# 模式串列表，三个元素各对应一个模式串p = [s[250000:251000], s[500000:501000], s[750000:751000]]# 场景 2：# 模式串p = 'a' + 'b' * 49# 其他字符片段_s = "a" + "b" * 48 + "c"# 源串s = _s * 15000 + p + _s * 4999# 存储到文件，便于 C++ 程序获取with open('source.in', 'w') as f:    f.write(s)with open('pattern.in', 'w') as f:    f.write(p[0])

测试代码

Python

In []: %timeit s.find(p[0])

C++ - test.cpp

#include <chrono>#include <iostream>#include <cstring>#include <fstream>#define LOOP_COUNT (1000)using namespace std;using std::chrono::high_resolution_clock;using std::chrono::duration_cast;using std::chrono::duration;using std::chrono::milliseconds;double test(string s, string p, size_t* pos_ptr) {    auto t1 = high_resolution_clock::now();    *pos_ptr = s.find(p);    auto t2 = high_resolution_clock::now();    duration<double, milli> ms_double = t2 - t1;    return ms_double.count();}int main() {    string s, p;    size_t pos;    ifstream srcfile("source.in");    ifstream patfile("pattern.in");    srcfile >> s;    patfile >> p;    double tot_time = 0;    for (int i = 0; i < LOOP_COUNT; ++i) {        tot_time += test(s, p, &pos);    }    cout << "Loop count:            " << LOOP_COUNT << endl;    cout << "Source string length:  " << s.length() << endl;    cout << "Pattern string length: " << p.length() << endl;    cout << "Search result:         " << pos << endl;    cout << "Time:                  " << tot_time / LOOP_COUNT << " ms" << endl;    return 0;}

C++ - test_strstr.cpp

#include <chrono>#include <iostream>#include <cstring>#include <fstream>#define LOOP_COUNT (1000)using namespace std;using std::chrono::high_resolution_clock;using std::chrono::duration_cast;using std::chrono::duration;using std::chrono::milliseconds;char s[1000005], p[1005], *pos=NULL;double test(char* s, char* p, char** pos_ptr) {    auto t1 = high_resolution_clock::now();    *pos_ptr = strstr(s, p);    auto t2 = high_resolution_clock::now();    duration<double, milli> ms_double = t2 - t1;    return ms_double.count();}int main() {    ifstream srcfile("source.in");    ifstream patfile("pattern.in");    srcfile >> s;    patfile >> p;    double tot_time = 0;    for (int i = 0; i < LOOP_COUNT; ++i) {        tot_time += test(s, p, &pos);    }    cout << "Loop count:            " << LOOP_COUNT << endl;    cout << "Source string length:  " << strlen(s) << endl;    cout << "Pattern string length: " << strlen(p) << endl;    cout << "Search result:         " << pos - s << endl;    cout << "Time:                  " << tot_time / LOOP_COUNT << " ms" << endl;    return 0;}

C++ - test_kmp.cpp

#include <chrono>#include <iostream>#include <cstring>#include <fstream>#include <cstdlib>#define LOOP_COUNT (1000)using namespace std;using std::chrono::high_resolution_clock;using std::chrono::duration_cast;using std::chrono::duration;using std::chrono::milliseconds;int dp[1005];int KMP(string s, string p) {    int m = s.length(), n = p.length();    if (n == 0) return 0;    if (m < n) return -1;    memset(dp, 0, sizeof(int) * (n+1));    for (int i = 1; i < n; ++i) {        int j = dp[i+1];        while (j > 0 && p[j] != p[i]) j = dp[j];        if (j > 0 || p[j] == p[i]) dp[i+1] = j + 1;    }    for (int i = 0, j = 0; i < m; ++i)        if (s[i] == p[j]) { if (++j == n) return i - j + 1; }        else if (j > 0) {            j = dp[j];            --i;        }    return -1;}double test(string s, string p, int* pos_ptr) {    auto t1 = high_resolution_clock::now();    *pos_ptr = KMP(s, p);    auto t2 = high_resolution_clock::now();    duration<double, milli> ms_double = t2 - t1;    return ms_double.count();}int main() {    string s, p;    int pos;    ifstream srcfile("source.in");    ifstream patfile("pattern.in");    srcfile >> s;    patfile >> p;    double tot_time = 0;    for (int i = 0; i < LOOP_COUNT; ++i) {        tot_time += test(s, p, &pos);    }    cout << "Loop count:            " << LOOP_COUNT << endl;    cout << "Source string length:  " << s.length() << endl;    cout << "Pattern string length: " << p.length() << endl;    cout << "Search result:         " << pos << endl;    cout << "Time:                  " << tot_time / LOOP_COUNT << " ms" << endl;    return 0;}

结果

IPython 的 %timeit 魔法命令可以输出代码多次执行的平均时间和标准差，在此取平均时间。C++ 的代码对每个模式串固定运行 1,000 次后取平均时间。

以下时间若无特别说明，均以微秒为单位，保留到整数位。

场景	模式串出现位置	Python	C++ - test.cpp	C++ - test_strstr.cpp	C++ - test_kmp.cpp
场景 1	250,000	105	523	155	2564
场景 1	500,000	183	1053	274	3711
场景 1	750,000	291	1589	447	4900
场景 2	750,000	2630*	618	353	3565

* 原输出为“2.63 ms”。IPython 的 %timeit 输出的均值保留 3 位有效数字，由于此时间已超过 1 毫秒，微秒位被舍弃。此处仍以微秒作单位，数值记为“2630”。

局限性

本次实测时使用的设备硬件上劣于算法竞赛中的标准配置机器，实测结果中的“绝对数值”参考性较低。

总结

根据上表中的结果，在给定环境和相关参数条件下，场景 1 中 Python 的运行时间大约为 C++ 中 string::find 的五分之一，与 std:strstr 接近；而在场景 2 中 Python 的运行时间明显增长，但 C++ 的前两种测试方法的运行时间与先前接近甚至更短。四次测试中，C++ 的用户实现的 KMP 算法运行时间均较长，长于同条件下 Python 的情况。

Python 中的内置类型 str 的快速查找（.find()）和计数（.count()）算法基于 Boyer-Moore 算法和 Horspool 算法的混合，其中后者是前者的简化，而前者与 Knuth-Morris-Pratt 算法有关。

有关 C++ 的 string::find 比 std::strstr 运行时间长的相关情况，参见 Bug 66414 - string::find ten times slower than strstr。

值得关注的是：C++ 中自行实现的 KMP 算法的运行时间竟然远长于 C++ 标准库甚至 Python 中的算法。这也类似于常说的“自己设计汇编代码运行效率低于编译器”的情况。Stack Overflow 的一个问题 strstr faster than algorithms? 下有人回答如下：

Why do you think strstr should be slower than all the others? Do you know what algorithm strstr uses? I think it's quite likely that strstr uses a fine-tuned, processor-specific, assembly-coded algorithm of the KMP type or better. In which case you don't stand a chance of out-performing it in C for such small benchmarks.

KMP 算法并非是所有线性复杂度算法中最快的。在不同的环境（软硬件、测试数据等）下，KMP 与其变种乃至其他线性复杂度算法，孰优孰劣都无法判断。编译器在设计时考虑到诸多可能的因素，尽可能使不同环境下都能有相对较优的策略来得到结果。因而，在保证结果正确的情况下，与其根据算法原理自行编写，不如直接使用标准库中提供的函数。

同时本次实测也在运行时间角度再次印证 Python 并不适合在算法竞赛中取得高成绩的说法。

参考

• https://stackoverflow.com/questions/22387586/measuring-execution-time-of-a-function-in-c
• https://www.cplusplus.com/reference/string/string/find/
• https://stackoverflow.com/questions/681649/how-is-string-find-implemented-in-cpython
• https://github.com/python/cpython/blob/main/Objects/stringlib/fastsearch.h#L5
• https://stackoverflow.com/questions/8869605/c-stringfind-complexity
• https://stackoverflow.com/questions/19506571/can-it-be-faster-to-find-the-minimum-periodic-string-inside-another-string-in-te
• https://gcc.gnu.org/onlinedocs/gcc-9.4.0/libstdc++/api/a17342_source.html
• https://opensource.apple.com/source/tcl/tcl-10/tcl/compat/strstr.c.auto.html
• https://gist.github.com/hsinewu/44a1ce38a1baf47893922e3f54807713
• https://stackoverflow.com/questions/11799956/performance-comparison-strstr-vs-stdstringfind
• https://stackoverflow.com/questions/7586990/strstr-faster-than-algorithms
• https://gcc.gnu.org/bugzilla/show_bug.cgi?id=66414
• http://0x80.pl/notesen/2016-10-08-slow-std-string-find.html