最快比較兩個文件內容

NET CORE下最快比較兩個文件內容

最近項目有個需求,需要比較兩個任意大小文件的內容是否相同,要求如下:

1. 項目是.NET CORE,所以使用C#進行編寫比較方法
2. 文件大小任意,所以不能將文件內容全部讀入到內存中進行比較(更專業點說,需要使用非緩存的比較方式)
3. 不依賴第三方庫
4. 越快越好

為了選出最優的解決方案,我搭建了一個簡單的命令行工程,准備了兩個大小為912MB的文件,並且這兩個文件內容完全相同.在本文的最后,你可以看到該工程的Main方法的代碼.

下面我們開始嘗試各個比較方法,選出最優的解決方案:

比較兩個文件是否完全相同,首先想到的是用哈希算法(如MD5,SHA)算出兩個文件的哈希值,然后進行比較.

廢話少說,擼起袖子寫一個MD5比較方法:

/// <summary> /// MD5 /// </summary> /// <param name="file1"></param> /// <param name="file2"></param> /// <returns></returns> private static bool CompareByMD5(string file1, string file2) { // 使用.NET內置的MD5庫 using (var md5 = MD5.Create()) { byte[] one, two; using (var fs1 = File.Open(file1, FileMode.Open)) { // 以FileStream讀取文件內容,計算HASH值 one = md5.ComputeHash(fs1); } using (var fs2 = File.Open(file2, FileMode.Open)) { // 以FileStream讀取文件內容,計算HASH值 two = md5.ComputeHash(fs2); } // 將MD5結果(字節數組)轉換成字符串進行比較 return BitConverter.ToString(one) == BitConverter.ToString(two); } }

比較結果:

Method: CompareByMD5, Identical: True. Elapsed: 00:00:05.7933178

耗時5.79秒,感覺還不錯.然而,這是最佳的解決方案嗎?

其實我們仔細想一下,答案應該是否定的.

因為任何哈希算法本質上都是對字節進行一定的計算,而計算過程是要消耗時間的.

很多下載網站上提供了下載文件的哈希值,那是因為下載的源文件本身不會改變,只需要計算一次源文件的哈希值,提供給用戶驗證即可.

而我們的需求中,兩個文件都是不固定的,那么每次都要計算兩個文件的哈希值,就不太合適了.

所以,哈希比較這個方案被PASS.

這種求算法最優解的問題,我以往的經驗是: 去stackoverflow查找 :)

經過我的艱苦努力,找到了一個非常切題的答案: How to compare 2 files fast using .NET?

得贊最多一個答案,將代碼改造了一下放入工程中:

/// <summary> /// https://stackoverflow.com/a/1359947 /// </summary> /// <param name="file1"></param> /// <param name="file2"></param> /// <returns></returns> private static bool CompareByToInt64(string file1, string file2) { const int BYTES_TO_READ = sizeof(Int64); // 每次讀取8個字節 int iterations = (int)Math.Ceiling((double)new FileInfo(file1).Length / BYTES_TO_READ); // 計算讀取次數 using (FileStream fs1 = File.Open(file1, FileMode.Open)) using (FileStream fs2 = File.Open(file2, FileMode.Open)) { byte[] one = new byte[BYTES_TO_READ]; byte[] two = new byte[BYTES_TO_READ]; for (int i = 0; i < iterations; i++) { // 循環讀取到字節數組中 fs1.Read(one, 0, BYTES_TO_READ); fs2.Read(two, 0, BYTES_TO_READ); // 轉換為Int64進行數值比較 if (BitConverter.ToInt64(one, 0) != BitConverter.ToInt64(two, 0)) return false; } } return true; }

該方法基本的原理是循環讀取兩個文件,每次讀取8個字節,轉換為Int64,再進行數值比較.那么效率如何呢?

Method: CompareByToInt64, Identical: True. Elapsed: 00:00:08.0918099

什么?8秒!竟然比MD5還慢?這不是SO得贊最多的答案嗎,怎么會這樣?

其實分析一下不難想到原因,因為每次只讀取8個字節,程序頻繁的進行IO操作,導致性能低下.看來SO上的答案也不能迷信啊!

那么優化的方向就變為了如何減少IO操作帶來的損耗.

既然每次8個字節太少了,我們定義一個大一些的字節數組,比如1024個字節.每次讀取1024個字節到數組中,然后進行字節數組的比較.

但是這樣又帶來一個新問題,就是如何快速比較兩個字節數組是否相同?

我首先想到的是在MD5方法中用過的----將字節數組轉換成字符串進行比較:

/// <summary> /// 讀入到字節數組中比較(轉為String比較) /// </summary> /// <param name="file1"></param> /// <param name="file2"></param> /// <returns></returns> private static bool CompareByString(string file1, string file2) { const int BYTES_TO_READ = 1024 * 10; using (FileStream fs1 = File.Open(file1, FileMode.Open)) using (FileStream fs2 = File.Open(file2, FileMode.Open)) { byte[] one = new byte[BYTES_TO_READ]; byte[] two = new byte[BYTES_TO_READ]; while (true) { int len1 = fs1.Read(one, 0, BYTES_TO_READ); int len2 = fs2.Read(two, 0, BYTES_TO_READ); if (BitConverter.ToString(one) != BitConverter.ToString(two)) return false; if (len1 == 0 || len2 == 0) break; // 兩個文件都讀取到了末尾,退出while循環 } } return true; }

結果:

Method: CompareByString, Identical: True. Elapsed: 00:00:07.8088732

耗時也接近8秒,比上一個方法強不了多少.

分析一下原因,在每次循環中,字符串的轉換是一個非常耗時的操作.那么有沒有不進行類型轉換的字節數組比較方法呢?

我想到了LINQ中有一個比較序列的方法SequenceEqual,我們嘗試使用該方法比較:

/// <summary> /// 讀入到字節數組中比較(使用LINQ的SequenceEqual比較) /// </summary> /// <param name="file1"></param> /// <param name="file2"></param> /// <returns></returns> private static bool CompareBySequenceEqual(string file1, string file2) { const int BYTES_TO_READ = 1024 * 10; using (FileStream fs1 = File.Open(file1, FileMode.Open)) using (FileStream fs2 = File.Open(file2, FileMode.Open)) { byte[] one = new byte[BYTES_TO_READ]; byte[] two = new byte[BYTES_TO_READ]; while (true) { int len1 = fs1.Read(one, 0, BYTES_TO_READ); int len2 = fs2.Read(two, 0, BYTES_TO_READ); if (!one.SequenceEqual(two)) return false; if (len1 == 0 || len2 == 0) break; // 兩個文件都讀取到了末尾,退出while循環 } } return true; }

結果:

Method: CompareBySequenceEqual, Identical: True. Elapsed: 00:00:08.2174360

竟然比前兩個都要慢(實際這也是所有方案中最慢的一個),LINQ的SequenceEqual看來不是為了效率而生.

那么我們不用那些花哨的功能,回歸質朴,老實兒的使用while循環比較字節數組怎么樣呢?

/// <summary> /// 讀入到字節數組中比較(while循環比較字節數組) /// </summary> /// <param name="file1"></param> /// <param name="file2"></param> /// <returns></returns> private static bool CompareByByteArry(string file1, string file2) { const int BYTES_TO_READ = 1024 * 10; using (FileStream fs1 = File.Open(file1, FileMode.Open)) using (FileStream fs2 = File.Open(file2, FileMode.Open)) { byte[] one = new byte[BYTES_TO_READ]; byte[] two = new byte[BYTES_TO_READ]; while (true) { int len1 = fs1.Read(one, 0, BYTES_TO_READ); int len2 = fs2.Read(two, 0, BYTES_TO_READ); int index = 0; while (index < len1 && index < len2) { if (one[index] != two[index]) return false; index++; } if (len1 == 0 || len2 == 0) break; } } return true; }

結果是....

Method: CompareByByteArry, Identical: True. Elapsed: 00:00:01.5356821

1.53秒!大突破!看來有時候看起來笨拙的方法反而效果更好!

試驗到此,比較兩個900多MB的文件耗時1.5秒左右,讀者對於該方法是否滿意呢?

No!我不滿意!我相信通過努力,一定會找到更快的方法的!

同樣.NET CORE也在為了編寫高性能代碼而不斷的優化中.

那么,我們如何繼續優化我們的代碼呢?

我突然想到在C# 7.2中加入的一個新的值類型: Span<T>,它用來代表一段連續的內存區域,並提供一系列可操作該區域的方法.

對於我們的需求,因為我們不會更改數組的值,所以可以使用另外一個只讀的類型ReadOnlySpan<T>追求更高的效率.

修改代碼,使用ReadOnlySpan<T>:

/// <summary> /// 讀入到字節數組中比較(ReadOnlySpan) /// </summary> /// <param name="file1"></param> /// <param name="file2"></param> /// <returns></returns> private static bool CompareByReadOnlySpan(string file1, string file2) { const int BYTES_TO_READ = 1024 * 10; using (FileStream fs1 = File.Open(file1, FileMode.Open)) using (FileStream fs2 = File.Open(file2, FileMode.Open)) { byte[] one = new byte[BYTES_TO_READ]; byte[] two = new byte[BYTES_TO_READ]; while (true) { int len1 = fs1.Read(one, 0, BYTES_TO_READ); int len2 = fs2.Read(two, 0, BYTES_TO_READ); // 字節數組可直接轉換為ReadOnlySpan if (!((ReadOnlySpan<byte>)one).SequenceEqual((ReadOnlySpan<byte>)two)) return false; if (len1 == 0 || len2 == 0) break; // 兩個文件都讀取到了末尾,退出while循環 } } return true; }

核心是用來比較的SequenceEqual方法,該方法是ReadOnlySpan的一個擴展方法,要注意它只是方法名與LINQ中一樣,實現完全不同.
那么該方法的表現如何呢?

Method: CompareByReadOnlySpan, Identical: True. Elapsed: 00:00:00.9287703

不 到 一 秒!

相對上一個已經不錯的結果,速度提高了差不多40%!

對此結果,我個人覺得已經很滿意了,如果各位有更快的方法,請不吝賜教,我非常歡迎!

關於Span<T>結構類型,各位讀者如有興趣,可瀏覽該文章,該文有非常詳細的介紹.

后記

• 文中的代碼只是出於實驗性質,實際應用中仍可以繼續細節上的優化, 如:

  1. 如兩個文件大小不同,直接返回false
  2. 如果兩個文件路徑相同,直接返回true
  3. ...

• 試驗工程的Main方法源碼:

  static void Main(string[] args) { string file1 = @"C:\Users\WAKU\Desktop\file1.ISO"; string file2 = @"C:\Users\WAKU\Desktop\file2.ISO"; var methods = new Func<string, string, bool>[] { CompareByMD5, CompareByToInt64, CompareByByteArry, CompareByReadOnlySpan }; foreach (var method in methods) { var sw = Stopwatch.StartNew(); bool identical = method(file1, file2); Console.WriteLine("Method: {0}, Identical: {1}. Elapsed: {2}", method.Method.Name, identical, sw.Elapsed); } }

完.