最近看到simdjson的论文,其中使用vpshufb指令做的字符匹配和分类,感觉这个方法很有收获,想分享以下。
先说simdjson中为啥用这个指令,它需要从字符数组中提取出6种控制字符(‘:’, \’, ‘:’, ‘"’, ‘{’, ‘}’),以及空格换行等4种无实际意义的字符(‘\r’,‘\n’,‘\t’,‘ ’)。
vpshufb是汇编指令,在C++中可以用__m256i _mm256_shuffle_epi8 (__m256i a, __m256i b)。
__m256i _mm256_shuffle_epi8 (__m256i a, __m256i b)算法过程:
FOR j := 0 to 15
i := j*8
IF b[i+7] == 1
dst[i+7:i] := 0
ELSE
index[3:0] := b[i+3:i]
dst[i+7:i] := a[index*8+7:index*8]
FI
IF b[128+i+7] == 1
dst[128+i+7:128+i] := 0
ELSE
index[3:0] := b[128+i+3:128+i]
dst[128+i+7:128+i] := a[128+index*8+7:128+index*8]
FI
ENDFOR
dst[MAX:256] := 0
简单解释一下, __m256i可以当做有256个bit位,假设i=8,那么b[i+3:i]就是b[11:8],也就是第8到11bit,这四个bit组成一个无符号整数。四个比特最大是1111,也就是十六进制的f。
_mm256_shuffle_epi8可以当作是一种查表方式,但是只能用每个字节的低四位去查。从b中获取每个字节的低四位。其值只能是0-15中的一种,把这个值当作索引,然后从a中找这个索引对应的值。
总之,可以认为_mm256_shuffle_epi8是一种映射关系,将一个数映射到另一个数。
下边是_mm256_shuffle_epi8的两个使用例子。
假如有一个字节数组,存的都是ascii,你需要从中找到小写字母。
a-z对应的十六进制表示是:61-6f , 70-7a (这里没写成61-7a是因为后边处理需要)
将61-6f分成一组,是因为它们高四位都是6,70-7a高四位都是7。因为高四位一样的数可以被分到一个组里边。
算法思路是将一个字节的高四位,低四位分别使用_mm256_shuffle_epi8做映射,两个映射后的结果做与运算,最终结果不为0,就代表是需要的字符。
【avx2 使用vpshufb指令做字符分类】关键就是如何构造这个映射表了。
以字母a和b举例:
a (0110 0001)和b(0110 0010),他们高四位相同,所以他们高四位的映射结果也是一样的。
对于高四位:
我们假设0110通过_mm256_shuffle_epi8映射后是,0000 0001
对于低四位:
那么我们把a和b的低四位映射后,只需要最低为含有1(xxxx xxx1),比如0000 0001或0000 0011等,那么这两个数的与运算的结果一定是0000 0001.
如果是匹配a,b,p,q四种字符
a (0110 0001),b(0110 0010),p(0111 0000),q(0111 0001)
对于高四位:
假设0110通过_mm256_shuffle_epi8映射后是是0000 0001
假设0111通过_mm256_shuffle_epi8映射后是是0000 0010
对于低四位:
把a和b的低四位映射后,只需要最低位含有1(xxxx xxx1),p和q映射后需要第二位是1(xxxx xx1x),但是你会发现,a和q的低四位是一样的,也就是他们映射后也是相同的。所以映射结果是:
0000-->0010,0001-->0011,0010-->0001。
下边不推到了,只是分享例子
对字母a-z A-Z
高4bit:
0110 和 0100 ,映射到0001
0111 和 0101 ,映射到0001
其他映射到0
低4bit:
0000映射到 0010
0001到1010 映射到 0011
1011到1111 映射到 0001
其实对字母的提取,完全可以用
'a'>= 字符 && 字符<='z'
这样的方式来处理,真正用_mm256_shuffle_epi8的话,还是要对一些更复杂的分类做处理.我是用来对HTML中一些结构提取时:我需要获取三种类型的字符
第一种: a-z A-Z ! ? / (因为<+字母可能是一个html标签的开始, 第二种: = " ' > (字符串用"或'包裹 标签属性用=号链接 >可能是标签闭合)
第三种: \n \f \r \t \0 空格 (这些是没意义的字符,需要被跳过)
直接上代码:
void strExtractTestAvx2(char* ms ,unsigned int length) {//低四位的转换
__m256i vpshufbCharMaskn = _mm256_setr_epi64x(0x1303030303130bc2L, 0x0d21a18101838303L, 0x1303030303130bc2L, 0x0d21a18101838303L);
//高四位的转换
__m256i vpshufbCharMaskh = _mm256_setr_epi64x(0x0201020124580080L, 0, 0x0201020124580080L, 0);
//字符类型判断
__m256i alphaMask = _mm256_set1_epi8(0b00001111);
__m256i constructMask = _mm256_set1_epi8(0b00110000);
__m256i emptyMask = _mm256_set1_epi8(0b11000000);
//全0
__m256i zero = _mm256_set1_epi64x(0);
//每个字节高四位置0
__m256i vpshufbMask = _mm256_set1_epi64x(0x0f0f0f0f0f0f0f0fL);
const unsigned int length1 = length - 31;
for (int i = 0;
i < length1;
i += 32)
{__m256i ymm1 = _mm256_lddqu_si256((__m256i*) & ms[i]);
__m256i ymm2 = _mm256_srli_epi16(ymm1, 4);
ymm2 = _mm256_and_si256(ymm2, vpshufbMask);
__m256i ymm3 = _mm256_shuffle_epi8(vpshufbCharMaskn, ymm1);
ymm2 = _mm256_shuffle_epi8(vpshufbCharMaskh, ymm2);
ymm3 = _mm256_and_si256(ymm3, ymm2);
__m256ialpha = _mm256_and_si256(ymm3, alphaMask);
__m256i construct = _mm256_and_si256(ymm3, constructMask);
__m256iempty = _mm256_and_si256(ymm3, emptyMask);
// <
__m256i less = _mm256_cmpeq_epi8(ymm1, lessSignMask);
//字母 ? ! /
alpha = _mm256_cmpgt_epi8(alpha, zero);
//= " ' >
construct = _mm256_cmpgt_epi8(construct, zero);
empty = _mm256_srli_epi64(empty, 1);
//6种空格
empty = _mm256_cmpgt_epi8(empty, zero);
}
}