.NET CORE中比较两个文件内容是否相同的最快方法

2023-08-21 04:25:05 247

前言

最近项目有个需求,需要比较两个任意大小文件的内容是否相同,要求如下:

项目是.NETCORE,所以使用C#进行编写比较方法
文件大小任意,所以不能将文件内容全部读入到内存中进行比较(更专业点说,需要使用非缓存的比较方式)
不依赖第三方库
越快越好

为了选出最优的解决方案,我搭建了一个简单的命令行工程,准备了两个大小为912MB的文件,并且这两个文件内容完全相同.在本文的最后,你可以看到该工程的Main方法的代码.

下面我们开始尝试各个比较方法,选出最优的解决方案:

比较两个文件是否完全相同,首先想到的是用哈希算法(如MD5,SHA)算出两个文件的哈希值,然后进行比较.

废话少说,撸起袖子写一个MD5比较方法:

///
///MD5
///
///
///
///
privatestaticboolCompareByMD5(stringfile1,stringfile2)
{
//使用.NET内置的MD5库
using(varmd5=MD5.Create())
{
byte[]one,two;
using(varfs1=File.Open(file1,FileMode.Open))
{
//以FileStream读取文件内容,计算HASH值
one=md5.ComputeHash(fs1);
}
using(varfs2=File.Open(file2,FileMode.Open))
{
//以FileStream读取文件内容,计算HASH值
two=md5.ComputeHash(fs2);
}
//将MD5结果(字节数组)转换成字符串进行比较
returnBitConverter.ToString(one)==BitConverter.ToString(two);
}
}

比较结果:

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

耗时5.79秒,感觉还不错.然而,这是最佳的解决方案吗?

其实我们仔细想一下,答案应该是否定的.

因为任何哈希算法本质上都是对字节进行一定的计算,而计算过程是要消耗时间的.

很多下载网站上提供了下载文件的哈希值,那是因为下载的源文件本身不会改变,只需要计算一次源文件的哈希值,提供给用户验证即可.

而我们的需求中,两个文件都是不固定的,那么每次都要计算两个文件的哈希值,就不太合适了.

所以,哈希比较这个方案被PASS.

这种求算法最优解的问题,我以往的经验是:去stackoverflow查找:)

经过我的艰苦努力,找到了一个非常切题的答案:Howtocompare2filesfastusing.NET?

得赞最多一个答案,将代码改造了一下放入工程中:

///
///https://stackoverflow.com/a/1359947
///
///
///
///
privatestaticboolCompareByToInt64(stringfile1,stringfile2)
{
constintBYTES_TO_READ=sizeof(Int64);//每次读取8个字节
intiterations=(int)Math.Ceiling((double)newFileInfo(file1).Length/BYTES_TO_READ);//计算读取次数

using(FileStreamfs1=File.Open(file1,FileMode.Open))
using(FileStreamfs2=File.Open(file2,FileMode.Open))
{
byte[]one=newbyte[BYTES_TO_READ];
byte[]two=newbyte[BYTES_TO_READ];

for(inti=0;i
该方法基本的原理是循环读取两个文件,每次读取8个字节,转换为Int64,再进行数值比较.那么效率如何呢?

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



什么?8秒!竟然比MD5还慢?这不是SO得赞最多的答案吗,怎么会这样?
其实分析一下不难想到原因,因为每次只读取8个字节,程序频繁的进行IO操作,导致性能低下.看来SO上的答案也不能迷信啊!
那么优化的方向就变为了如何减少IO操作带来的损耗.
既然每次8个字节太少了,我们定义一个大一些的字节数组,比如1024个字节.每次读取1024个字节到数组中,然后进行字节数组的比较.
但是这样又带来一个新问题,就是如何快速比较两个字节数组是否相同?
我首先想到的是在MD5方法中用过的----将字节数组转换成字符串进行比较:
///
///读入到字节数组中比较(转为String比较)
///
///
///
///
privatestaticboolCompareByString(stringfile1,stringfile2)
{
constintBYTES_TO_READ=1024*10;

using(FileStreamfs1=File.Open(file1,FileMode.Open))
using(FileStreamfs2=File.Open(file2,FileMode.Open))
{
byte[]one=newbyte[BYTES_TO_READ];
byte[]two=newbyte[BYTES_TO_READ];
while(true)
{
intlen1=fs1.Read(one,0,BYTES_TO_READ);
intlen2=fs2.Read(two,0,BYTES_TO_READ);
if(BitConverter.ToString(one)!=BitConverter.ToString(two))returnfalse;
if(len1==0||len2==0)break;//两个文件都读取到了末尾,退出while循环
}
}

returntrue;
}
结果:

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



耗时也接近8秒,比上一个方法强不了多少.
分析一下原因,在每次循环中,字符串的转换是一个非常耗时的操作.那么有没有不进行类型转换的字节数组比较方法呢?
我想到了LINQ中有一个比较序列的方法SequenceEqual,我们尝试使用该方法比较:
///
///读入到字节数组中比较(使用LINQ的SequenceEqual比较)
///
///
///
///
privatestaticboolCompareBySequenceEqual(stringfile1,stringfile2)
{
constintBYTES_TO_READ=1024*10;

using(FileStreamfs1=File.Open(file1,FileMode.Open))
using(FileStreamfs2=File.Open(file2,FileMode.Open))
{
byte[]one=newbyte[BYTES_TO_READ];
byte[]two=newbyte[BYTES_TO_READ];
while(true)
{
intlen1=fs1.Read(one,0,BYTES_TO_READ);
intlen2=fs2.Read(two,0,BYTES_TO_READ);
if(!one.SequenceEqual(two))returnfalse;
if(len1==0||len2==0)break;//两个文件都读取到了末尾,退出while循环
}
}

returntrue;
}
结果:

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



竟然比前两个都要慢(实际这也是所有方案中最慢的一个),LINQ的SequenceEqual看来不是为了效率而生.
那么我们不用那些花哨的功能,回归质朴,老实儿的使用while循环比较字节数组怎么样呢?
///
///读入到字节数组中比较(while循环比较字节数组)
///
///
///
///
privatestaticboolCompareByByteArry(stringfile1,stringfile2)
{
constintBYTES_TO_READ=1024*10;

using(FileStreamfs1=File.Open(file1,FileMode.Open))
using(FileStreamfs2=File.Open(file2,FileMode.Open))
{
byte[]one=newbyte[BYTES_TO_READ];
byte[]two=newbyte[BYTES_TO_READ];
while(true)
{
intlen1=fs1.Read(one,0,BYTES_TO_READ);
intlen2=fs2.Read(two,0,BYTES_TO_READ);
intindex=0;
while(index
结果是....

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



1.53秒!大突破!看来有时候看起来笨拙的方法反而效果更好!
试验到此,比较两个900多MB的文件耗时1.5秒左右,读者对于该方法是否满意呢?
No!我不满意!我相信通过努力,一定会找到更快的方法的!
同样.NETCORE也在为了编写高性能代码而不断的优化中.
那么,我们如何继续优化我们的代码呢?
我突然想到在C#7.2中加入的一个新的值类型:Span,它用来代表一段连续的内存区域,并提供一系列可操作该区域的方法.
对于我们的需求,因为我们不会更改数组的值,所以可以使用另外一个只读的类型ReadOnlySpan追求更高的效率.
修改代码,使用ReadOnlySpan:
///
///读入到字节数组中比较(ReadOnlySpan)
///
///
///
///
privatestaticboolCompareByReadOnlySpan(stringfile1,stringfile2)
{
constintBYTES_TO_READ=1024*10;

using(FileStreamfs1=File.Open(file1,FileMode.Open))
using(FileStreamfs2=File.Open(file2,FileMode.Open))
{
byte[]one=newbyte[BYTES_TO_READ];
byte[]two=newbyte[BYTES_TO_READ];
while(true)
{
intlen1=fs1.Read(one,0,BYTES_TO_READ);
intlen2=fs2.Read(two,0,BYTES_TO_READ);
//字节数组可直接转换为ReadOnlySpan
if(!((ReadOnlySpan)one).SequenceEqual((ReadOnlySpan)two))returnfalse;
if(len1==0||len2==0)break;//两个文件都读取到了末尾,退出while循环
}
}

returntrue;
}
核心是用来比较的SequenceEqual方法,该方法是ReadOnlySpan的一个扩展方法,要注意它只是方法名与LINQ中一样,实现完全不同.


那么该方法的表现如何呢?

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



不到一秒!
相对上一个已经不错的结果,速度提高了差不多40%!
对此结果,我个人觉得已经很满意了,如果各位有更快的方法,请不吝赐教,我非常欢迎!
关于Span结构类型,各位读者如有兴趣,可浏览该文章,该文有非常详细的介绍.
后记


文中的代码只是出于实验性质,实际应用中仍可以继续细节上的优化,如:

如两个文件大小不同,直接返回false
如果两个文件路径相同,直接返回true
...

试验工程的Main方法源码:
staticvoidMain(string[]args)
{
stringfile1=@"C:\Users\WAKU\Desktop\file1.ISO";
stringfile2=@"C:\Users\WAKU\Desktop\file2.ISO";
varmethods=newFunc[]{CompareByMD5,CompareByToInt64,CompareByByteArry,CompareByReadOnlySpan};
foreach(varmethodinmethods)
{
varsw=Stopwatch.StartNew();
boolidentical=method(file1,file2);
Console.WriteLine("Method:{0},Identical:{1}.Elapsed:{2}",method.Method.Name,identical,sw.Elapsed);
}
}
总结
以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对毛票票的支持。

.NET CORE中比较两个文件内容是否相同的最快方法

热门推荐

随机推荐