mirror of
https://github.com/crate-ci/typos.git
synced 2024-11-28 20:11:05 -05:00
perf(dict): Switch varcon to a burst-trie
This cuts varcon lookup times in half but I still suspect slower than phf. Like with bsearch and unlike, the cost is consistent between hits and misses. At least this doesn't have the compile hit of PHF + unicase. Maybe I should experiment with integrating a non-const-fn variant of unicase with PHF and give up on all of this extra complexity.
This commit is contained in:
parent
908f9d44eb
commit
bbbf985777
6 changed files with 84329 additions and 53850 deletions
|
@ -1,3 +1,5 @@
|
||||||
mod table;
|
mod table;
|
||||||
|
mod trie;
|
||||||
|
|
||||||
pub use table::*;
|
pub use table::*;
|
||||||
|
pub use trie::*;
|
||||||
|
|
|
@ -28,6 +28,9 @@ pub fn generate_table<'d, W: std::io::Write, V: std::fmt::Display>(
|
||||||
|
|
||||||
writeln!(file, " {},", key)?;
|
writeln!(file, " {},", key)?;
|
||||||
}
|
}
|
||||||
|
if largest == 0 {
|
||||||
|
smallest = 0;
|
||||||
|
}
|
||||||
writeln!(file, " ],")?;
|
writeln!(file, " ],")?;
|
||||||
writeln!(file, " values: &[")?;
|
writeln!(file, " values: &[")?;
|
||||||
for (_key, value) in data.iter() {
|
for (_key, value) in data.iter() {
|
||||||
|
|
290
crates/dictgen/src/trie.rs
Normal file
290
crates/dictgen/src/trie.rs
Normal file
|
@ -0,0 +1,290 @@
|
||||||
|
/// # Panics
|
||||||
|
///
|
||||||
|
/// - On duplicate entry
|
||||||
|
pub fn generate_trie<'d, W: std::io::Write, V: std::fmt::Display>(
|
||||||
|
file: &mut W,
|
||||||
|
prefix: &str,
|
||||||
|
value_type: &str,
|
||||||
|
data: impl Iterator<Item = (&'d str, V)>,
|
||||||
|
limit: usize,
|
||||||
|
) -> Result<(), std::io::Error> {
|
||||||
|
let mut root = DynRoot::new(data);
|
||||||
|
root.burst(limit);
|
||||||
|
|
||||||
|
let unicode_table_name = format!("{}_UNICODE_TABLE", prefix);
|
||||||
|
|
||||||
|
writeln!(
|
||||||
|
file,
|
||||||
|
"pub static {}_TRIE: dictgen::DictTrie<{}> = dictgen::DictTrie {{",
|
||||||
|
prefix, value_type
|
||||||
|
)?;
|
||||||
|
writeln!(file, " root: &{},", gen_node_name(prefix, ""))?;
|
||||||
|
writeln!(file, " unicode: &{},", &unicode_table_name)?;
|
||||||
|
writeln!(
|
||||||
|
file,
|
||||||
|
" range: {}..={},",
|
||||||
|
root.range.start(),
|
||||||
|
root.range.end()
|
||||||
|
)?;
|
||||||
|
writeln!(file, "}};")?;
|
||||||
|
writeln!(file)?;
|
||||||
|
|
||||||
|
crate::generate_table(
|
||||||
|
file,
|
||||||
|
&unicode_table_name,
|
||||||
|
value_type,
|
||||||
|
root.unicode.into_iter(),
|
||||||
|
)?;
|
||||||
|
writeln!(file)?;
|
||||||
|
|
||||||
|
let mut nodes = vec![("".to_owned(), &root.root)];
|
||||||
|
while let Some((start, node)) = nodes.pop() {
|
||||||
|
let node_name = gen_node_name(prefix, &start);
|
||||||
|
let children_name = gen_children_name(prefix, &start);
|
||||||
|
writeln!(
|
||||||
|
file,
|
||||||
|
"static {}: dictgen::DictTrieNode<{}> = dictgen::DictTrieNode {{",
|
||||||
|
node_name, value_type
|
||||||
|
)?;
|
||||||
|
writeln!(
|
||||||
|
file,
|
||||||
|
" children: {}(&{}),",
|
||||||
|
gen_type_name(&node.children),
|
||||||
|
children_name
|
||||||
|
)?;
|
||||||
|
if let Some(value) = node.value.as_ref() {
|
||||||
|
writeln!(file, " value: Some({}),", value)?;
|
||||||
|
} else {
|
||||||
|
writeln!(file, " value: None,")?;
|
||||||
|
}
|
||||||
|
writeln!(file, "}};")?;
|
||||||
|
writeln!(file)?;
|
||||||
|
|
||||||
|
match &node.children {
|
||||||
|
DynChild::Nested(n) => {
|
||||||
|
writeln!(
|
||||||
|
file,
|
||||||
|
"static {}: [Option<&dictgen::DictTrieNode<{}>>; 26] = [",
|
||||||
|
children_name, value_type,
|
||||||
|
)?;
|
||||||
|
for b in b'a'..=b'z' {
|
||||||
|
if let Some(child) = n.get(&b) {
|
||||||
|
let c = b as char;
|
||||||
|
let next_start = format!("{}{}", start, c);
|
||||||
|
writeln!(file, " Some(&{}),", gen_node_name(prefix, &next_start))?;
|
||||||
|
nodes.push((next_start, child));
|
||||||
|
} else {
|
||||||
|
writeln!(file, " None,")?;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
writeln!(file, "];")?;
|
||||||
|
}
|
||||||
|
DynChild::Flat(v) => {
|
||||||
|
let table_input = v.iter().map(|(k, v)| {
|
||||||
|
let k = std::str::from_utf8(k).expect("this was originally a `str`");
|
||||||
|
(k, v)
|
||||||
|
});
|
||||||
|
crate::generate_table(file, &children_name, value_type, table_input)?;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
writeln!(file)?;
|
||||||
|
writeln!(file)?;
|
||||||
|
}
|
||||||
|
|
||||||
|
Ok(())
|
||||||
|
}
|
||||||
|
|
||||||
|
fn gen_node_name(prefix: &str, start: &str) -> String {
|
||||||
|
if start.is_empty() {
|
||||||
|
format!("{}_NODE", prefix)
|
||||||
|
} else {
|
||||||
|
let mut start = start.to_owned();
|
||||||
|
start.make_ascii_uppercase();
|
||||||
|
format!("{}_{}_NODE", prefix, start)
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
fn gen_children_name(prefix: &str, start: &str) -> String {
|
||||||
|
if start.is_empty() {
|
||||||
|
format!("{}_CHILDREN", prefix)
|
||||||
|
} else {
|
||||||
|
let mut start = start.to_owned();
|
||||||
|
start.make_ascii_uppercase();
|
||||||
|
format!("{}_{}_CHILDREN", prefix, start)
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
fn gen_type_name<V>(leaf: &DynChild<V>) -> &'static str {
|
||||||
|
match leaf {
|
||||||
|
DynChild::Nested(_) => "dictgen::DictTrieChild::Nested",
|
||||||
|
DynChild::Flat(_) => "dictgen::DictTrieChild::Flat",
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
pub struct DictTrie<V: 'static> {
|
||||||
|
pub root: &'static DictTrieNode<V>,
|
||||||
|
pub unicode: &'static crate::DictTable<V>,
|
||||||
|
pub range: std::ops::RangeInclusive<usize>,
|
||||||
|
}
|
||||||
|
|
||||||
|
impl<V> DictTrie<V> {
|
||||||
|
pub fn find(&self, word: &'_ unicase::UniCase<&str>) -> Option<&'static V> {
|
||||||
|
if self.range.contains(&word.len()) {
|
||||||
|
let bytes = word.as_bytes();
|
||||||
|
|
||||||
|
let mut child = &self.root;
|
||||||
|
for i in 0..bytes.len() {
|
||||||
|
match child.children {
|
||||||
|
DictTrieChild::Nested(n) => {
|
||||||
|
let byte = bytes[i];
|
||||||
|
let index = if (b'a'..b'z').contains(&byte) {
|
||||||
|
byte - b'a'
|
||||||
|
} else if (b'A'..b'Z').contains(&byte) {
|
||||||
|
byte - b'A'
|
||||||
|
} else {
|
||||||
|
return self.unicode.find(word);
|
||||||
|
};
|
||||||
|
debug_assert!(index < 26);
|
||||||
|
if let Some(next) = n[index as usize].as_ref() {
|
||||||
|
child = next;
|
||||||
|
} else {
|
||||||
|
return None;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
DictTrieChild::Flat(t) => {
|
||||||
|
let remaining = &bytes[i..bytes.len()];
|
||||||
|
// Unsafe: Everything before has been proven to be ASCII, so this should be
|
||||||
|
// safe.
|
||||||
|
let remaining = unsafe { std::str::from_utf8_unchecked(remaining) };
|
||||||
|
// Reuse the prior ascii check, rather than doing it again
|
||||||
|
let remaining = if word.is_ascii() {
|
||||||
|
unicase::UniCase::ascii(remaining)
|
||||||
|
} else {
|
||||||
|
unicase::UniCase::unicode(remaining)
|
||||||
|
};
|
||||||
|
return t.find(&remaining);
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
child.value.as_ref()
|
||||||
|
} else {
|
||||||
|
None
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
pub struct DictTrieNode<V: 'static> {
|
||||||
|
pub children: DictTrieChild<V>,
|
||||||
|
pub value: Option<V>,
|
||||||
|
}
|
||||||
|
|
||||||
|
pub enum DictTrieChild<V: 'static> {
|
||||||
|
Nested(&'static [Option<&'static DictTrieNode<V>>; 26]),
|
||||||
|
Flat(&'static crate::DictTable<V>),
|
||||||
|
}
|
||||||
|
|
||||||
|
struct DynRoot<'s, V> {
|
||||||
|
root: DynNode<'s, V>,
|
||||||
|
unicode: Vec<(&'s str, V)>,
|
||||||
|
range: std::ops::RangeInclusive<usize>,
|
||||||
|
}
|
||||||
|
|
||||||
|
impl<'s, V> DynRoot<'s, V> {
|
||||||
|
fn new(data: impl Iterator<Item = (&'s str, V)>) -> Self {
|
||||||
|
let mut overflow = Vec::new();
|
||||||
|
let mut unicode = Vec::default();
|
||||||
|
let mut smallest = usize::MAX;
|
||||||
|
let mut largest = usize::MIN;
|
||||||
|
let mut existing = std::collections::HashSet::new();
|
||||||
|
let mut empty = None;
|
||||||
|
for (key, value) in data {
|
||||||
|
if existing.contains(key) {
|
||||||
|
panic!("Duplicate present: {}", key);
|
||||||
|
}
|
||||||
|
existing.insert(key);
|
||||||
|
|
||||||
|
if key.is_empty() {
|
||||||
|
empty = Some(value);
|
||||||
|
} else {
|
||||||
|
smallest = std::cmp::min(smallest, key.len());
|
||||||
|
largest = std::cmp::max(largest, key.len());
|
||||||
|
if key.bytes().all(|b| b.is_ascii_alphabetic()) {
|
||||||
|
overflow.push((key.as_bytes(), value));
|
||||||
|
} else {
|
||||||
|
unicode.push((key, value));
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
Self {
|
||||||
|
root: DynNode {
|
||||||
|
children: DynChild::Flat(overflow),
|
||||||
|
value: empty,
|
||||||
|
},
|
||||||
|
unicode,
|
||||||
|
range: smallest..=largest,
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
fn burst(&mut self, limit: usize) {
|
||||||
|
self.root.burst(limit);
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
struct DynNode<'s, V> {
|
||||||
|
children: DynChild<'s, V>,
|
||||||
|
value: Option<V>,
|
||||||
|
}
|
||||||
|
|
||||||
|
impl<'s, V> DynNode<'s, V> {
|
||||||
|
fn burst(&mut self, limit: usize) {
|
||||||
|
self.children.burst(limit)
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
enum DynChild<'s, V> {
|
||||||
|
Nested(std::collections::BTreeMap<u8, DynNode<'s, V>>),
|
||||||
|
Flat(Vec<(&'s [u8], V)>),
|
||||||
|
}
|
||||||
|
|
||||||
|
impl<'s, V> DynChild<'s, V> {
|
||||||
|
fn burst(&mut self, limit: usize) {
|
||||||
|
match self {
|
||||||
|
DynChild::Nested(children) => {
|
||||||
|
for child in children.values_mut() {
|
||||||
|
child.burst(limit);
|
||||||
|
}
|
||||||
|
}
|
||||||
|
DynChild::Flat(v) if v.len() < limit => (),
|
||||||
|
DynChild::Flat(v) => {
|
||||||
|
let mut old_v = Vec::new();
|
||||||
|
std::mem::swap(&mut old_v, v);
|
||||||
|
let mut nodes = std::collections::BTreeMap::new();
|
||||||
|
for (key, value) in old_v {
|
||||||
|
assert!(!key.is_empty());
|
||||||
|
let start = key[0].to_ascii_lowercase();
|
||||||
|
assert!(start.is_ascii_alphabetic());
|
||||||
|
let node = nodes.entry(start).or_insert_with(|| DynNode {
|
||||||
|
children: DynChild::Flat(Vec::new()),
|
||||||
|
value: None,
|
||||||
|
});
|
||||||
|
let remaining = &key[1..];
|
||||||
|
if remaining.is_empty() {
|
||||||
|
assert!(node.value.is_none());
|
||||||
|
node.value = Some(value);
|
||||||
|
} else {
|
||||||
|
match &mut node.children {
|
||||||
|
DynChild::Nested(_) => {
|
||||||
|
unreachable!("Only overflow at this point")
|
||||||
|
}
|
||||||
|
DynChild::Flat(ref mut v) => {
|
||||||
|
v.push((remaining, value));
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
*self = DynChild::Nested(nodes);
|
||||||
|
self.burst(limit);
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
|
@ -23,7 +23,11 @@ fn generate_variations<W: std::io::Write>(file: &mut W) {
|
||||||
env!("CARGO_PKG_NAME")
|
env!("CARGO_PKG_NAME")
|
||||||
)
|
)
|
||||||
.unwrap();
|
.unwrap();
|
||||||
writeln!(file, "#![allow(clippy::unreadable_literal)]",).unwrap();
|
writeln!(
|
||||||
|
file,
|
||||||
|
"#![allow(clippy::unreadable_literal, clippy::type_complexity)]",
|
||||||
|
)
|
||||||
|
.unwrap();
|
||||||
writeln!(file).unwrap();
|
writeln!(file).unwrap();
|
||||||
|
|
||||||
writeln!(file, "pub type Variants = &'static [&'static str];",).unwrap();
|
writeln!(file, "pub type Variants = &'static [&'static str];",).unwrap();
|
||||||
|
@ -75,9 +79,9 @@ fn generate_variations<W: std::io::Write>(file: &mut W) {
|
||||||
|
|
||||||
let entry_sets = entry_sets(entries.iter());
|
let entry_sets = entry_sets(entries.iter());
|
||||||
let mut referenced_symbols: HashSet<&str> = HashSet::new();
|
let mut referenced_symbols: HashSet<&str> = HashSet::new();
|
||||||
dictgen::generate_table(
|
dictgen::generate_trie(
|
||||||
file,
|
file,
|
||||||
"VARS_DICTIONARY",
|
"VARS",
|
||||||
"&[(u8, &VariantsMap)]",
|
"&[(u8, &VariantsMap)]",
|
||||||
entry_sets.iter().flat_map(|kv| {
|
entry_sets.iter().flat_map(|kv| {
|
||||||
let (word, data) = kv;
|
let (word, data) = kv;
|
||||||
|
@ -90,6 +94,7 @@ fn generate_variations<W: std::io::Write>(file: &mut W) {
|
||||||
Some((*word, value))
|
Some((*word, value))
|
||||||
}
|
}
|
||||||
}),
|
}),
|
||||||
|
64,
|
||||||
)
|
)
|
||||||
.unwrap();
|
.unwrap();
|
||||||
|
|
||||||
|
|
File diff suppressed because it is too large
Load diff
|
@ -97,7 +97,7 @@ impl BuiltIn {
|
||||||
|
|
||||||
fn correct_with_vars(&self, word: unicase::UniCase<&str>) -> Option<Status<'static>> {
|
fn correct_with_vars(&self, word: unicase::UniCase<&str>) -> Option<Status<'static>> {
|
||||||
if self.is_vars_enabled() {
|
if self.is_vars_enabled() {
|
||||||
typos_vars::VARS_DICTIONARY
|
typos_vars::VARS_TRIE
|
||||||
.find(&word)
|
.find(&word)
|
||||||
.map(|variants| self.select_variant(variants))
|
.map(|variants| self.select_variant(variants))
|
||||||
} else {
|
} else {
|
||||||
|
|
Loading…
Reference in a new issue