Извлечение подстроки. Казалось бы, что тут может быть сложного? В любом современном языке программирования это можно сделать через функцию substring или через slicing. За время работы C# разработчиком я повидал разный код, в том числе разные способы извлечения подстроки. В этой статье мы рассмотрим самые распространённые из них, сделаем замеры производительности и проанализируем результаты.

Дисклеймер

Информация в этой статье верна только при определённых условиях. Я допускаю, что бенчмарк может показать другие результаты на другом ПК, с другим ЦП, с другим компилятором или при другом сценарии использования рассматриваемого функционала языка. Всегда проверяйте ваш код на конкретно вашем железе и не полагайтесь лишь на статьи из интернета.

Бенчмарк

Замер производительности будет осуществляться на массиве из 100 000 строк, представляющих собой путь к файлу. Данные генерируются библиотекой Bogus и выглядят примерно вот так:

/usr/libdata/gb.m4p
/srv/facilitator_optical_borders.cw
/Users/internal.dbk
/etc/defaults/cliffs.pptm
/home/connecting_factors_mint_green.luac
...

Наша задача – извлечь имя файла с расширением стандартным инструментарием C#. Проверять мы будем следующие способы:

1. string.Substring.

2. Оператор range.

3. string.Split.

4. Regex.Match.

5. Метод TakeLast из LINQ.

Для замеров производительности я использовал библиотеку BenchmarkDotNet. Код бенчмарка можно найти в GitHub.

Результаты

Результаты замеров времени и памяти представлены на диаграмме ниже. Попробуем разобраться почему они именно такие.

Метод string.Substring и оператор range

Результаты у двух этих способов одинаковые, т.к. оператор range – это синтаксический сахар. Убедиться в этом можно, рассмотрев простой пример ниже.

var str = "Hello, World!";
var substr = str[..5];
Console.WriteLine(substr);

Этот C# код компилируется в IL код, в котором вызывается метод Substring.

IL_0000: ldstr "Hello, World!"
IL_0005: ldc.i4.0
IL_0006: ldc.i4.5
IL_0007: callvirt instance string [System.Runtime]System.String::Substring(int32, int32)
IL_000c: call void [System.Console]System.Console::WriteLine(string)
IL_0011: ret

Заглянем под капот .NET. Если отбросить валидацию входных параметров и граничные случаи, то метод Substring просто вызывает метод InternalSubString.

public string Substring(int startIndex, int length)
{
    /* валидация и обработка граничных случаев */

    return InternalSubString(startIndex, length);
}

В InternalSubString выделяется память через метод FastAllocateString и копируется подстрока в выделенный участок памяти.

private string InternalSubString(int startIndex, int length)
{    
    string result = FastAllocateString(length);
    
    Buffer.Memmove(
        elementCount: (uint)length,
        destination: ref result._firstChar,
        source: ref Unsafe.Add(ref _firstChar, (nint)(uint)startIndex));    

    return result;
}

Используя Substring явно или через оператор range, выделение памяти происходит один раз, а непосредственно извлечение подстроки происходит через копирование памяти. Теперь посмотрим, что происходит в других методах.

Метод string.Split

Очевидно, что использование метода string.Split для извлечения подстроки не самый оптимальный вариант. Достаточно взглянуть на возвращаемый тип – это массив строк. Но всё же рассмотрим внутреннюю реализацию метода подробнее.

private string[] SplitInternal(ReadOnlySpan<char> separators, int count, StringSplitOptions options)
{
     /* валидация и обработка граничных случаев */

    // StackallocIntBufferSizeLimit = 128
    var sepListBuilder = new ValueListBuilder<int>(stackalloc int[StackallocIntBufferSizeLimit]);

    MakeSeparatorListAny(this, separators, ref sepListBuilder);
    ReadOnlySpan<int> sepList = sepListBuilder.AsSpan();

    string[] result = (options != StringSplitOptions.None)
        ? SplitWithPostProcessing(sepList, default, 1, count, options)
        : SplitWithoutPostProcessing(sepList, default, 1, count);

    sepListBuilder.Dispose();

    return result;
}

В этом методе происходит следующее:

1. В стеке инициализируется массив int[] размером StackallocIntBufferSizeLimit. На момент написания статьи значение этой константы было 128.

2. Инициализируется внутренняя структура ValueListBuilder<int> c массивом int[].

3. Разделяемая строка, разделители и структура ValueListBuilder<int> передаются в метод MakeSeparatorListAny. В нём осуществляется поиск индексов разделителей в строке путём её обхода в цикле.

4. В нашем случае, завершается всё вызовом SplitWithoutPostProcessing. В нём инициализируется массив строк, затем, в очередном цикле, исходная строка разделяется путём копирования подстрок с использованием метода Substring.

Теперь стало понятнее, почему метод Split медленнее. Вызов этого метода сопряжён с циклами, инициализацией массива и копированием ненужных подстрок.

Регулярные выражения

Извлекать подстроку регулярными выражениями – это как стрелять из пушки по воробьям. Но и такой подход встречался на практике.

Для извлечения подстроки нами использовался метод Match статического класса Regex. Вызов этого метода приводит к следующему:

1. Вызывается метод GetOrAdd внутреннего класса RegexCache. 

2. В кэше ищется экземпляр Regex для нашего паттерна "[^\/]+$". 

3. Если в кэше такой экземпляр есть, то он возвращается, иначе создаётся новый, помещается в кэш и только после этого возвращается.

4. Вызывается метод Match, что приводит к инициализации regex-движка и поиска совпадений по нашему паттерну.

public partial class Regex
{
    public static Match Match(string input, string pattern) =>
        RegexCache.GetOrAdd(pattern).Match(input);
}

Очевидно, что выполнение такого большого количества операций требует больше ресурсов ЦП и памяти.

Методы расширения LINQ

Это самый не подходящий способ для извлечения подстроки. Используя LINQ нужно быть всегда готовым к аллокациям памяти. Для каждой строки был создан Enumerator, а также Queue<T>. Причём, очередь создавалась с размером по умолчанию, что приводило к дополнительным аллокациям и копированию данных.

Заключение

Наиболее эффективный способ извлечения подстроки в C# – это метод Substring. Я предпочитаю range оператор из-за более лаконичного кода, который получается при его использовании. Конечно, другими способами тоже можно добиться нужного результата, но это будет менее эффективно. Поэтому используете методы по назначению. :)