当前位置：首页 > news >正文

各种读取csv文件的工具性能比较

news 2025/8/17 18:58:02

在翻阅calamine作者的quick-csv存储库时无意中看到有个10年前的csv读取比赛, 把比赛选手源程序下载下来测试看到底有多快。

git clone https://bitbucket.org/ewanhiggs/csv-game.git

这些源程序只有比赛程序本身，依赖的文件有的在主页，有的在makefile中写出。冠军是一个叫csvmonkey的程序，如下所示

#include <iostream>
#include <iterator>#include "csvmonkey.hpp"
using namespace csvmonkey;int main(int argc, char* argv[])
{if(argc < 2) {return 1;}MappedFileCursor cursor;if(! cursor.open(argv[1])) {// new behaviour for csvmonkey returns 0 for empty files.std::cout << 0 << std::endl;return 0;}CsvReader reader(cursor);CsvCursor &row = reader.row();int sum = 0;while(reader.read_row()) {sum += row.count;}std::cout << sum << std::endl;
}

它的主要实现都在头文件csvmonkey.hpp里，找来编译执行了，结果不太快，500万行的读取正确，用时23秒，100万行41列的读取失败，没有文档，不知怎么改。

wget https://raw.githubusercontent.com/dw/csvmonkey/csv-game/csvmonkey.hppg++ csv.cc -w -pedantic -std=c++11 -g -O3 -fpic -msse4.2 -march=native -DNDEBUG -o csvmonkey -I .root@6ae32a5ffcde:/par# time ./csvmonkey "5m Sales Records.csv"
70000000real    0m23.437s
user    0m0.388s
sys     0m1.325s
root@6ae32a5ffcde:/par# time ./csvmonkey "NYC_311_SR_2010-2020-sample-1M.csv"
1060693607
Segmentation fault (core dumped)real    0m19.954s
user    0m0.194s
sys     0m1.147s

再拿基于libcsv的程序来测，它在列表中是第8名

#include <csv.h>
#include <stdio.h>
#include <string.h>void field_count(void* str, size_t str_len, void* data) {int* count = (int*)data;*count += 1;
}const int READ_SZ = 1024 * 1024;int main (int argc, char* argv[]) {struct csv_parser parser = {0};csv_init(&parser, CSV_APPEND_NULL);FILE* f = fopen(argv[1], "r");char *buf = (char*)malloc(READ_SZ);size_t buflen = READ_SZ;int count = 0; while((buflen = fread(buf, 1, READ_SZ, f))  > 0){csv_parse(&parser, buf, buflen, field_count, 0, &count);}printf("%d\n", count);fclose(f);free(buf);csv_free(&parser);return EXIT_SUCCESS;
}

效果好了很多，都在3秒左右，但读出的列数有点差距，应该是标题行影响，但第一个难以理解，14列怎么读成13列了。

gcc csv.c libcsv.c -Werror -Wall -pedantic -std=c11 -g -O3 -fpic -march=native -o libcsv -I .
root@6ae32a5ffcde:/par# time ./libcsv "5m Sales Records.csv"
70000013real    0m3.608s
user    0m1.301s
sys     0m0.100s
root@6ae32a5ffcde:/par# time ./libcsv "NYC_311_SR_2010-2020-sample-1M.csv"
41000041real    0m3.078s
user    0m1.083s
sys     0m0.109s

再拿我常用的Duckdb来读，效率高了很多。读取统计行数都在2秒左右，写入内存表也不过增加了0.2秒。对读入的数据进行总结，内容也都正确。

D .timer on
D SET enable_progress_bar =false;D select count(*) from '5m Sales Records.csv';
┌────────────────┐
│  count_star()  │
│     int64      │
├────────────────┤
│    5000000     │
│ (5.00 million) │
└────────────────┘
Run Time (s): real 2.329 user 0.998917 sys 0.234929
D select count(*) from 'NYC_311_SR_2010-2020-sample-1M.csv';
┌────────────────┐
│  count_star()  │
│     int64      │
├────────────────┤
│    1000000     │
│ (1.00 million) │
└────────────────┘
Run Time (s): real 1.981 user 0.649826 sys 0.196659
D create table t as from '5m Sales Records.csv';
Run Time (s): real 2.585 user 3.853148 sys 0.752251
D summarize t;
┌────────────────┬─────────────┬─────────────┬────────────────────┬───┬────────────────────┬─────────┬─────────────────┐
│  column_name   │ column_type │     min     │        max         │ … │        q75         │  count  │ null_percentage │
│    varchar     │   varchar   │   varchar   │      varchar       │   │      varchar       │  int64  │  decimal(9,2)   │
├────────────────┼─────────────┼─────────────┼────────────────────┼───┼────────────────────┼─────────┼─────────────────┤
│ Region         │ VARCHAR     │ Asia        │ Sub-Saharan Africa │ … │ NULL               │ 5000000 │            0.00 │
│ Country        │ VARCHAR     │ Afghanistan │ Zimbabwe           │ … │ NULL               │ 5000000 │            0.00 │
│ Item Type      │ VARCHAR     │ Baby Food   │ Vegetables         │ … │ NULL               │ 5000000 │            0.00 │
│ Sales Channel  │ VARCHAR     │ Offline     │ Online             │ … │ NULL               │ 5000000 │            0.00 │
│ Order Priority │ VARCHAR     │ C           │ M                  │ … │ NULL               │ 5000000 │            0.00 │
│ Order Date     │ DATE        │ 2010-01-01  │ 2020-09-10         │ … │ 2018-01-08         │ 5000000 │            0.00 │
│ Order ID       │ BIGINT      │ 100000321   │ 999999892          │ … │ 775399388          │ 5000000 │            0.00 │
│ Ship Date      │ DATE        │ 2010-01-01  │ 2020-10-30         │ … │ 2018-02-01         │ 5000000 │            0.00 │
│ Units Sold     │ BIGINT      │ 1           │ 10000              │ … │ 7498               │ 5000000 │            0.00 │
│ Unit Price     │ DOUBLE      │ 9.33        │ 668.27             │ … │ 428.7937475664888  │ 5000000 │            0.00 │
│ Unit Cost      │ DOUBLE      │ 6.92        │ 524.96             │ … │ 307.03048573417    │ 5000000 │            0.00 │
│ Total Revenue  │ DOUBLE      │ 9.33        │ 6682700.0          │ … │ 1823813.9831833337 │ 5000000 │            0.00 │
│ Total Cost     │ DOUBLE      │ 6.92        │ 5249600.0          │ … │ 1203364.1504520269 │ 5000000 │            0.00 │
│ Total Profit   │ DOUBLE      │ 2.41        │ 1738700.0          │ … │ 566819.0278750015  │ 5000000 │            0.00 │
├────────────────┴─────────────┴─────────────┴────────────────────┴───┴────────────────────┴─────────┴─────────────────┤
│ 14 rows                                                                                         12 columns (7 shown) │
└──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘
Run Time (s): real 0.792 user 10.106701 sys 0.037936
D create table t2 as from 'NYC_311_SR_2010-2020-sample-1M.csv';
Run Time (s): real 2.285 user 2.901837 sys 0.686295
D summarize t2;
┌──────────────────────┬─────────────┬──────────────────────┬───┬──────────────────────┬─────────┬─────────────────┐
│     column_name      │ column_type │         min          │ … │         q75          │  count  │ null_percentage │
│       varchar        │   varchar   │       varchar        │   │       varchar        │  int64  │  decimal(9,2)   │
├──────────────────────┼─────────────┼──────────────────────┼───┼──────────────────────┼─────────┼─────────────────┤
│ Unique Key           │ BIGINT      │ 11465364             │ … │ 40208216             │ 1000000 │            0.00 │
│ Created Date         │ TIMESTAMP   │ 2010-01-01 00:00:00  │ … │ 2018-07-30 12:48:4…  │ 1000000 │            0.00 │
│ Closed Date          │ TIMESTAMP   │ 1900-01-01 00:00:00  │ … │ 2018-08-04 11:42:5…  │ 1000000 │            2.86 │
│ Agency               │ VARCHAR     │ 3-1-1                │ … │ NULL                 │ 1000000 │            0.00 │
│ Agency Name          │ VARCHAR     │ 3-1-1                │ … │ NULL                 │ 1000000 │            0.00 │
│ Complaint Type       │ VARCHAR     │ ../../WEB-INF/web.…  │ … │ NULL                 │ 1000000 │            0.00 │
│ Descriptor           │ VARCHAR     │ 1 Missed Collection  │ … │ NULL                 │ 1000000 │            0.30 │
│ Location Type        │ VARCHAR     │ 1-, 2- and 3- Fami…  │ … │ NULL                 │ 1000000 │           23.91 │
│ Incident Zip         │ VARCHAR     │ *                    │ … │ NULL                 │ 1000000 │            5.50 │
│ Incident Address     │ VARCHAR     │ * *                  │ … │ NULL                 │ 1000000 │           17.47 │
│ Street Name          │ VARCHAR     │ *                    │ … │ NULL                 │ 1000000 │           17.47 │
│ Cross Street 1       │ VARCHAR     │ 1 AVE                │ … │ NULL                 │ 1000000 │           32.04 │
│ Cross Street 2       │ VARCHAR     │ 1 AVE                │ … │ NULL                 │ 1000000 │           32.36 │
│ Intersection Stree…  │ VARCHAR     │ 1 AVE                │ … │ NULL                 │ 1000000 │           76.74 │
│ Intersection Stree…  │ VARCHAR     │ 1 AVE                │ … │ NULL                 │ 1000000 │           76.77 │
│ Address Type         │ VARCHAR     │ ADDRESS              │ … │ NULL                 │ 1000000 │           12.58 │
│ City                 │ VARCHAR     │ *                    │ … │ NULL                 │ 1000000 │            6.20 │
│ Landmark             │ VARCHAR     │ 1 AVENUE             │ … │ NULL                 │ 1000000 │           91.28 │
│ Facility Type        │ VARCHAR     │ DSNY Garage          │ … │ NULL                 │ 1000000 │           14.55 │
│ Status               │ VARCHAR     │ Assigned             │ … │ NULL                 │ 1000000 │            0.00 │
│ Due Date             │ TIMESTAMP   │ 1900-01-02 00:00:00  │ … │ 2017-09-22 19:44:2…  │ 1000000 │           64.78 │
│ Resolution Descrip…  │ VARCHAR     │ A DOB violation wa…  │ … │ NULL                 │ 1000000 │            2.05 │
│ Resolution Action …  │ TIMESTAMP   │ 2009-12-31 01:35:00  │ … │ 2018-08-10 13:25:1…  │ 1000000 │            1.51 │
│ Community Board      │ VARCHAR     │ 0 Unspecified        │ … │ NULL                 │ 1000000 │            0.00 │
│ BBL                  │ VARCHAR     │ 0000000000           │ … │ NULL                 │ 1000000 │           24.30 │
│ Borough              │ VARCHAR     │ BRONX                │ … │ NULL                 │ 1000000 │            0.00 │
│ X Coordinate (Stat…  │ BIGINT      │ 913281               │ … │ 1018255              │ 1000000 │            8.53 │
│ Y Coordinate (Stat…  │ BIGINT      │ 121152               │ … │ 234907               │ 1000000 │            8.53 │
│ Open Data Channel …  │ VARCHAR     │ MOBILE               │ … │ NULL                 │ 1000000 │            0.00 │
│ Park Facility Name   │ VARCHAR     │ "Uncle" Vito F. Ma…  │ … │ NULL                 │ 1000000 │            0.00 │
│ Park Borough         │ VARCHAR     │ BRONX                │ … │ NULL                 │ 1000000 │            0.00 │
│ Vehicle Type         │ VARCHAR     │ Ambulette / Paratr…  │ … │ NULL                 │ 1000000 │           99.97 │
│ Taxi Company Borough │ VARCHAR     │ BRONX                │ … │ NULL                 │ 1000000 │           99.92 │
│ Taxi Pick Up Locat…  │ VARCHAR     │ 1 5 AVENUE MANHATTAN │ … │ NULL                 │ 1000000 │           99.21 │
│ Bridge Highway Name  │ VARCHAR     │ 145th St. Br - Len…  │ … │ NULL                 │ 1000000 │           99.77 │
│ Bridge Highway Dir…  │ VARCHAR     │ Bronx Bound          │ … │ NULL                 │ 1000000 │           99.77 │
│ Road Ramp            │ VARCHAR     │ N/A                  │ … │ NULL                 │ 1000000 │           99.77 │
│ Bridge Highway Seg…  │ VARCHAR     │ 1-1-1265963747       │ … │ NULL                 │ 1000000 │           99.76 │
│ Latitude             │ DOUBLE      │ 40.1123853           │ … │ 40.80288457482914    │ 1000000 │           25.47 │
│ Longitude            │ DOUBLE      │ -77.5195844          │ … │ -73.87602468658496   │ 1000000 │           25.47 │
│ Location             │ VARCHAR     │ (40.1123853, -77.5…  │ … │ NULL                 │ 1000000 │           25.47 │
├──────────────────────┴─────────────┴──────────────────────┴───┴──────────────────────┴─────────┴─────────────────┤
│ 41 rows                                                                                     12 columns (6 shown) │
└──────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘
Run Time (s): real 0.332 user 2.741898 sys 0.049018

补记：
我用calamine作者的参赛代码quick-reader编译时报错，将源文件交给张泽鹏先生审查，他说那是古早的格式，现在Cargo.toml要加入edition = “2024”，依赖代码的版本也修改为quick-csv ="0.1.6"就能正常编译了

quick-reader修改前Cargo.toml

[package]name = "quick-reader"
version = "0.0.1"
authors = [ "Johann Tuffe <tafia973@gmail.com>" ][[bin]]
name = "quick-reader"[dependencies]
quick-csv = "0.1"[profile.release]
opt-level = 3
lto = true

quick-reader修改后Cargo.toml

[package]
name = "quick-reader"
version = "0.1.0"
edition = "2024"[dependencies]
quick-csv = "0.1.6"

quick-reader源代码将extern crate quick_csv as csv;改为use quick_csv as csv;同时添加use std;并把::std改为std。
修改前

extern crate quick_csv as csv;fn main() {let fpath = ::std::env::args().nth(1).unwrap();let rdr = csv::Csv::from_file(fpath).unwrap();let sum = rdr.into_iter().map(|r| r.unwrap().len()).fold(0usize, |c, n| c + n);println!("{}", sum);
}

修改后

use quick_csv as csv;
use std;fn main() {let fpath = std::env::args().nth(1).unwrap();let rdr = csv::Csv::from_file(fpath).unwrap();let sum = rdr.into_iter().map(|r| r.unwrap().len()).fold(0usize, |c, n| c + n);println!("{}", sum);
}

编译执行

time /par/quick-reader/target/release/quick-reader /par/NYC_311_SR_2010-2020-sample-1M.csv
41000041real    0m9.702s
user    0m0.449s
sys     0m0.394s
time /par/quick-reader/target/release/quick-reader "/par/5m Sales Records.csv"
70000014real    0m12.335s
user    0m0.636s
sys     0m0.564s

还是不如libcsv快, 但是结果很正确，一个字段都不差。

查看全文

http://www.xdnf.cn/news/1313839.html