メモ: Ruby で文字列を XML の CDATA としてシリアライズする場合はどうすると速いのか？

まえおき

]]> を含む文字列を CDATA として XML シリアライズする場合、 ]] と > で二つの CDATA セクションに分ける、という認識。

雑感

(挙動から)Oga と REXML は CDATA の中に「なにもせず」テキストを投入している様に見える。これはよいのだろうか？

> Oga::XML::Cdata.new(text: '>a]>b]]>c]]]>d').to_xml
=> "<![CDATA[>a]>b]]>c]]]>d]]>"
> REXML::Document.new.tap { |doc| doc.add(REXML::CData.new('>a]>b]]>c]]]>d', true)) }.to_s
=> "<![CDATA[>a]>b]]>c]]]>d]]>"
> Nokogiri::XML::CDATA.new(Nokogiri::XML::Document.new, '>a]>b]]>c]]]>d').to_xml
=> "<![CDATA[>a]>b]]]]><![CDATA[>c]]]]]><![CDATA[>d]]>"

Oga と REXML は無視することにして、Nokogiri と gsub を比べてみる。split & join は論外。
]]> の数が少ないほど gsub 有利(x2)で、増えるにつれて差がなくなるが、言っても数十マイクロ秒同士。
自分が使う場面で、これが致命的な差を生むかと言われると…、悩ましい。

可読性や保守性、拡張性を考えたときに、文字列処理で済ませても問題にならないかどうかで考えたら良さそうな印象。

ベンチマーク

require 'benchmark_driver'

Benchmark.driver do |x|
  x.prelude <<~RUBY
    require 'nokogiri'
    require 'oga'
    require 'rexml/document'

    def bench_nokogiri(value)
      Nokogiri::XML::CDATA.new(Nokogiri::XML::Document.new, value).to_xml
    end

    def bench_oga(value)
      Oga::XML::Cdata.new(text: value).to_xml
    end

    def bench_rexml(value)
      doc = REXML::Document.new
      doc.add(REXML::CData.new(value, true))
      doc.to_s
    end

    def bench_gsub(value)
      "<![CDATA[\#{value.gsub(']]>', ']]]]><![CDATA[>')}]]>"
    end

    def bench_split_map_join(value)
      value.split(/(?<=\\]\\])(?=>)/).map { |x| "<![CDATA[\#{x}]]>" }.join
    end

    A = Array.new(1_000, 'あ').join(']]]').freeze
    B = Array.new(1_000 - 100, 'あ').join(']]]') + ']]]' + Array.new(100, 'あ').join(']]>').freeze
    C = Array.new(1_000 - 500, 'あ').join(']]]') + ']]]' + Array.new(500, 'あ').join(']]>').freeze
    D = Array.new(1_000, 'あ').join(']]>').freeze
  RUBY

  x.report 'Nokogiri A', %{ bench_nokogiri(A) }
  x.report 'Nokogiri B', %{ bench_nokogiri(B) }
  x.report 'Nokogiri C', %{ bench_nokogiri(C) }
  x.report 'Nokogiri D', %{ bench_nokogiri(D) }

  x.report 'Oga A', %{ bench_oga(A) }
  x.report 'Oga B', %{ bench_oga(B) }
  x.report 'Oga C', %{ bench_oga(C) }
  x.report 'Oga D', %{ bench_oga(D) }

  x.report 'REXML A', %{ bench_rexml(A) }
  x.report 'REXML B', %{ bench_rexml(B) }
  x.report 'REXML C', %{ bench_rexml(C) }
  x.report 'REXML D', %{ bench_rexml(D) }

  x.report 'String#gsub A', %{ bench_gsub(A) }
  x.report 'String#gsub B', %{ bench_gsub(B) }
  x.report 'String#gsub C', %{ bench_gsub(C) }
  x.report 'String#gsub D', %{ bench_gsub(D) }

  x.report 'String#split A', %{ bench_split_map_join(A) }
  x.report 'String#split B', %{ bench_split_map_join(B) }
  x.report 'String#split C', %{ bench_split_map_join(C) }
  x.report 'String#split D', %{ bench_split_map_join(D) }
end

__END__
ruby 2.5.1p57 (2018-03-29 revision 63029) [x86_64-darwin17

Warming up --------------------------------------
          Nokogiri A    23.487k i/s
          Nokogiri B    18.810k i/s
          Nokogiri C    11.669k i/s
          Nokogiri D     7.744k i/s
               Oga A    57.971k i/s
               Oga B    58.786k i/s
               Oga C    58.772k i/s
               Oga D    60.551k i/s
             REXML A    19.553k i/s
             REXML B    19.436k i/s
             REXML C    19.734k i/s
             REXML D    19.391k i/s
       String#gsub A    51.944k i/s
       String#gsub B    30.070k i/s
       String#gsub C    12.351k i/s
       String#gsub D     6.905k i/s
      String#split A    37.510k i/s
      String#split B    12.421k i/s
      String#split C     3.377k i/s
      String#split D     1.510k i/s
Calculating -------------------------------------
          Nokogiri A    21.406k i/s -     70.462k times in 3.291765s (46.72μs/i)
          Nokogiri B    17.742k i/s -     56.428k times in 3.180455s (56.36μs/i)
          Nokogiri C    11.267k i/s -     35.007k times in 3.107085s (88.76μs/i)
          Nokogiri D     7.031k i/s -     23.231k times in 3.304298s (142.24μs/i)
               Oga A    54.490k i/s -    173.911k times in 3.191630s (18.35μs/i)
               Oga B    55.149k i/s -    176.357k times in 3.197855s (18.13μs/i)
               Oga C    54.794k i/s -    176.316k times in 3.217820s (18.25μs/i)
               Oga D    55.835k i/s -    181.653k times in 3.253405s (17.91μs/i)
             REXML A    19.160k i/s -     58.660k times in 3.061507s (52.19μs/i)
             REXML B    19.508k i/s -     58.308k times in 2.988858s (51.26μs/i)
             REXML C    18.517k i/s -     59.202k times in 3.197114s (54.00μs/i)
             REXML D    18.080k i/s -     58.172k times in 3.217389s (55.31μs/i)
       String#gsub A    50.041k i/s -    155.831k times in 3.114064s (19.98μs/i)
       String#gsub B    28.016k i/s -     90.211k times in 3.220032s (35.69μs/i)
       String#gsub C    12.342k i/s -     37.053k times in 3.002231s (81.03μs/i)
       String#gsub D     6.999k i/s -     20.714k times in 2.959439s (142.87μs/i)
      String#split A    36.066k i/s -    112.530k times in 3.120133s (27.73μs/i)
      String#split B    12.002k i/s -     37.262k times in 3.104546s (83.32μs/i)
      String#split C     3.243k i/s -     10.130k times in 3.123976s (308.39μs/i)
      String#split D     1.807k i/s -      4.529k times in 2.506557s (553.45μs/i)

Comparison:
               Oga D:     55834.7 i/s
               Oga B:     55148.5 i/s - 1.01x  slower
               Oga C:     54793.6 i/s - 1.02x  slower
               Oga A:     54489.7 i/s - 1.02x  slower
       String#gsub A:     50041.0 i/s - 1.12x  slower
      String#split A:     36065.8 i/s - 1.55x  slower
       String#gsub B:     28015.6 i/s - 1.99x  slower
          Nokogiri A:     21405.5 i/s - 2.61x  slower
             REXML B:     19508.5 i/s - 2.86x  slower
             REXML A:     19160.5 i/s - 2.91x  slower
             REXML C:     18517.3 i/s - 3.02x  slower
             REXML D:     18080.5 i/s - 3.09x  slower
          Nokogiri B:     17742.1 i/s - 3.15x  slower
       String#gsub C:     12341.8 i/s - 4.52x  slower
      String#split B:     12002.4 i/s - 4.65x  slower
          Nokogiri C:     11266.8 i/s - 4.96x  slower
          Nokogiri D:      7030.5 i/s - 7.94x  slower
       String#gsub D:      6999.3 i/s - 7.98x  slower
      String#split C:      3242.7 i/s - 17.22x  slower
      String#split D:      1806.9 i/s - 30.90x  slower