RapidJSON 代码剖析（二）：使用 SSE4.2 优化字符串扫描

原文地址：RapidJSON 代码剖析（二）：使用 SSE4.2 优化字符串扫描

现在的 cpu 都提供了单指令流多数据流（single instruction multiple data,SIMD）指令集。最常见的是用于大量的浮点数计算，但其实也可以用在文字处理方面。

其中，SSE4.2 包含了一些专为字符串而设的指令。我们通过使用这些指令，可以大幅提升某些 JSON 解析的性能。

（配图为 2008 年发售的 Intel Core i7 芯片，它采用的 Nehalem 是第一个支持 SSE4.2 的微架构。）

跳过空白字符

我们知道，有一些 JSON 含有缩进（indentation），这些 JSON 有大量的空白字符（whitespace）。在解析 JSON 的时候，需要跳过这些空白字符。这个操作在 RapidJSON 下是这样的（reader.h，为配合版面稍改排版）：

template<typename InputStream>
void SkipWhitespace(InputStream& is) {
    internal::StreamLocalCopy<InputStream> copy(is);
    InputStream& s(copy.s);

    while (s.Peek() == ' '  ||
           s.Peek() == '\n' ||
           s.Peek() == \r\t')
    {
        s.Take();
    }
}

我们先不关注StreamLocalCopy等东西。这段代码很简单，就是凡在输入流中遇到4种空白字符，都提取出来跳过，直至流里的字符为非空白字符。

但这种代码会带来很多分支（branching），而且我们每次只能处理一个字符。

SSE4.2

在 Intel 的 SSE4.2 指令集中，有一个pcmpistrm指令，它可以一次对一组16个字符与另一组字符作比较，也就是说一个指令可以作最多16×16=256次比较。

对于上面跳过空白字符的需求，我们只需要对16个输入流里的字符与4个空白字符比较，即16×4=64次比较。虽然这样未用尽所有计算能力，但一个指令能代替64个比较以及「或」运算，还是很划算的。

我们可以使用 VC/gcc/clang 都支持的 instrinsic 函数去使用这个指令。这个指令的函数命名为_mm_cmpistrm()，在nmmintrin.h中定义。

SkipWhitespace的 SSE4.2 版本只能跳过字符串的输入流，其部分代码如下：

inline const char *SkipWhitespace_SIMD(const char* p) {
    // ... 非对齐处理

    static const char whitespace[16] = " \n\r\t";
    const __m128i w = _mm_load_si128((const __m128i *)&whitespace[0]);

    for (;; p += 16) {
        const __m128i s = _mm_load_si128((const __m128i *)p);
        unsigned r = _mm_cvtsi128_si32(_mm_cmpistrm(w,s,_SIDD_UBYTE_OPS | _SIDD_CMP_EQUAL_ANY |
            _SIDD_BIT_MASK | _SIDD_NEGATIVE_POLARITY));

        if (r != 0) {   // some of characters is non-whitespace
#ifdef _MSC_VER // Find the index of first non-whitespace
            unsigned long offset;
            _BitScanForward(&offset,r);
            return p + offset;
#else
            return p + __builtin_ffs(r) - 1;
#endif
}

解析一下这里_mm_cmpistrm()用上了的选项：

_SIDD_UBYTE_OPS: 操作单位是无号字节，即16个unsigned char。
_SIDD_CMP_EQUAL_ANY: 每次比较s里的字符，是否和w中的任意字符相等。
_SIDD_BIT_MASK: 以比特方式返回结果。
_SIDD_NEGATIVE_POLARITY: 把结果反转。这里指返回值的1代表非空白字符。

然后，我们用_mm_cvtsi128_si32()指令，把返回的最低位32字节储存成普通的32位整数。如果含有非空白字符，就使用_BitScanForward()或__builtin_ffs()计算出最早出现的非空白字符，并把指针跳到那里返回。

对齐问题

通过 SSE 读写内存，每次可以读写128位（16字节）数据。理想地是使用 128位对齐的地址来读写，这样会最大化读写速度。

最初我使用了_mm_loadu_si128()从非对齐的来源字符串读取16个字符。当时我觉得最多就是损失一些时间吧，问题似乎不大。但实际上还是出现了问题：

If rapidjson::SkipWhitespace_SIMD(char const*) is called at close to the end of string buffer which has less than 16 bytes of allocated space,the function will read beyond the memory it owns.

In our use case,we parse around 50 million JSON files/buffers per day and
we got hit by the bug around 100 times per day on average before the
workaround.

后来，我估计是因为用非对齐读取，有可能在边界会读到未分配的内存分页，做成很低机率的崩溃。因此，修正方法是先用普通代码处理未对齐的地址，然后才使用 SIMD 进行读取。

char* p) {
    // ...

    // 16-byte align to the next boundary
    char* nextAligned = reinterpret_cast<char*>(
        (reinterpret_cast<size_t>(p) + 15) & ~15);

    while (p != nextAligned)
        if (*p == ' ' || *p == ' || *p == ')
            ++p;
        else
            return p;

    // The rest of string using SIMD
    // ...
} 

快速返回

优化其实还要看实际情况。我们发现，有比较多的情况是，第一个字符已是非空白字符。尤其是已去除空白字符的JSON，上面代码的初始时间还是比较大。因此，我们把第一个字符的检测独立出来。

char* p) {
    // Fast return for single non-whitespace
    ')
        ++p;
    else
        return p;

    // ...
} 

性能测试

测试环境

iMac 2.7 GHz Intel Core i5
Apple LLVM version 6.1.0 (clang-602.0.49) (based on LLVM 3.6.0svn)

测试用例 1

跳过1M个空白字符1000次。

基本实现: 675 ms
SSE4.2: 86 ms
strspn: 897 ms

测试用例 2

使用 SAX API 去原位解析（in situ parse）一个含缩进的 671KBsample.json，不处理事件（null handler）。

基本实现: 934 ms
SSE4.2: 650 ms

结语

RapidJSON 中使用 SSE4.2 指令集跳过空白字符，可以在一个迭代中进行 64 次字符比较，而且每次读取 128 位数据应该对内存频宽友好。为了兼容更旧的 x86 系 cpu，RapidJSON 也提供了一个 SSE2 的版本，但每个迭代需要执行更多指令，读取可参考源代码。

此优化只对含缩进的 JSON 有利，但我们通过「快速返回」使非缩进 JSON 也不会减慢，算是一种权衡之策。在后续的 v1.1 版本中，我希望尝试利用 SIMD 指令去快速扫瞄需处理转义（escaping）的字符，不需转义的部分能使用到 128 位复制至目标缓冲。由于转义符在 JSON 的出现率较低，此举应该能进一步提升整体性能。

最后，关于 x86/x64 系的 SIMD 指令，我推荐Intel Instrinsic Guide及 Agner Fog 的5本优化手册。