C++20 范围视图:take、drop 及其变体详解
2025-06-24 09:51:07作者:尤辰城Agatha
本文基于 CXX20-The-Complete-Guide 项目内容,深入解析 C++20 标准库中的四种重要范围视图:take_view、take_while_view、drop_view 和 drop_while_view。这些视图为开发者提供了强大的范围操作能力,能够高效地处理和转换数据序列。
1. take_view:获取前 N 个元素
1.1 基本概念
std::ranges::take_view 是一个范围适配器,用于获取源范围的前 N 个元素。其核心特性包括:
- 类型:
std::ranges::take_view<> - 内容:源范围的前 N 个元素(最多)
- 适配器:
std::views::take() - 元素类型:与源范围相同
- 要求:至少是输入范围
1.2 使用方式
take_view 可以通过构造函数或适配器创建:
std::vector<int> data{1, 2, 3, 4, 5, 6};
// 使用构造函数
auto tv1 = std::ranges::take_view{data, 3};
// 使用适配器
auto tv2 = std::views::take(data, 3);
auto tv3 = data | std::views::take(3);
1.3 特殊优化
适配器会根据输入类型进行智能优化:
- 输入为空视图时直接返回空视图
- 对于随机访问范围,可能返回优化后的子范围(如子范围、iota视图等)
1.4 性能特点
- 迭代器:使用源范围的迭代器
- 通用性:当源范围是通用范围时,take_view 也是通用范围
- 缓存:无缓存机制
2. take_while_view:获取满足条件的连续元素
2.1 基本概念
std::ranges::take_while_view 获取源范围中满足谓词条件的连续前导元素:
- 类型:
std::ranges::take_while_view<> - 内容:满足谓词的前导连续元素
- 适配器:
std::views::take_while()
2.2 使用示例
std::vector<int> data{1, 2, 3, 4, 5};
auto is_less_than_4 = [](int x) { return x < 4; };
// 获取小于4的连续前导元素
auto twv = data | std::views::take_while(is_less_than_4);
// 结果:1, 2, 3
2.3 注意事项
- 谓词必须满足
std::predicate概念 - 谓词不应修改传递的值(应声明为按值或const引用接收参数)
3. drop_view:跳过前 N 个元素
3.1 基本概念
std::ranges::drop_view 与 take_view 相反,它跳过源范围的前 N 个元素:
- 类型:
std::ranges::drop_view<> - 内容:源范围中除前 N 个元素外的所有元素
- 适配器:
std::views::drop()
3.2 使用示例
std::vector<int> data{1, 2, 3, 4, 5};
auto dv = data | std::views::drop(2);
// 结果:3, 4, 5
3.3 性能特点
- 缓存机制:首次调用 begin() 时会缓存结果(除非是随机访问范围)
- 性能建议:重用 drop_view 比重复创建更高效
3.4 注意事项
- 修改底层范围后,缓存的迭代器可能失效
- const drop_view 的迭代能力受限(需要随机访问范围)
4. drop_while_view:跳过满足条件的连续前导元素
4.1 基本概念
std::ranges::drop_while_view 跳过源范围中满足谓词条件的连续前导元素:
- 类型:
std::ranges::drop_while_view<> - 内容:跳过满足谓词的前导元素后的所有元素
- 适配器:
std::views::drop_while()
4.2 使用示例
std::vector<int> data{1, 2, 3, 4, 5};
auto is_less_than_3 = [](int x) { return x < 3; };
auto dwv = data | std::views::drop_while(is_less_than_3);
// 结果:3, 4, 5
4.3 特殊注意事项
- 缓存机制:总是缓存 begin() 结果
- const限制:const drop_while_view 不能调用 begin()
5. 综合比较
| 特性 | take_view | take_while_view | drop_view | drop_while_view |
|---|---|---|---|---|
| 缓存机制 | 无 | 无 | 有 | 有 |
| 通用范围 | 可能 | 从不 | 可能 | 可能 |
| 长度范围 | 可能 | 从不 | 可能 | 可能 |
| 常量可迭代 | 可能 | 可能 | 受限 | 从不 |
6. 实际应用建议
- 性能优化:对于 drop 系列视图,尽量重用视图对象而非重复创建
- 范围修改:避免在修改底层范围后继续使用缓存的视图
- 泛型编程:使用转发引用(auto&&)处理可能为const的视图
- 谓词安全:确保谓词不修改传递的值,按值或const引用接收参数
这些范围视图为C++20中的范围处理提供了强大的工具,合理使用可以显著提高代码的简洁性和效率。
登录后查看全文
热门项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust071- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00
项目优选
收起
暂无描述
Dockerfile
687
4.45 K
Ascend Extension for PyTorch
Python
540
664
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
390
69
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
953
921
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
647
230
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
407
322
Oohos_react_native
React Native鸿蒙化仓库
C++
336
385
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.59 K
923
昇腾LLM分布式训练框架
Python
145
172
暂无简介
Dart
935
234