LC_ALL=en_US.UTF-8 让 awk 慢了 40 倍！

　　无意中发现，在一台服务器上，非常简单的awk程序，比C的等价物要慢40倍，感觉有点不太正常，还以为的确是awk太慢。不得其解，到另一台服务上试了一下，相同的 awk 程序，相同的测试数据，这台服务器的速度与C相当，也就是说，同样是awk，两台机器速度差了 40 倍，而两台机器配置基本相当。非常困惑，找了两小时的原因，终于发现gawk手册 里面有一段话：

For other single-character record separators, using ‘LC_ALL=C ’ will give you much better performance when reading records. Otherwise, gawk has to make several function calls, per input character to find the record terminator.

在看两台机器的 locale，结果发现，慢的机器上：

[root@slow-server]# locale
LANG=en_US.UTF-8
LC_XXXX=en_US.UTF-8

...
LC_ALL=en_US.UTF-8

快的机器上：

[root@fast-server]# locale
LANG=en_US
LC_XXXX=en_US

...
LC_ALL=   <空>

马上试验，将slow-server的locale改掉：

export LC_ALL=C

速度马上快了40倍，与fast-server相当。

 

这应该是awk实现上的一个缺陷，即便是对utf8，也不应该慢这么多，如果缓冲合适，最多慢２～３倍就可以了，为什么非要gawk has to make several function calls, per input character ？

 

个人猜测。

utf8是流解码，下标访问要O(n)

可以把utf8转化成utf32，就可以在缓冲区内随机访问任意字符了，而 iconv 的速度是非常快的。