看完这12条，写出高效代码
大家好，我是程序喵，最近迷上了云宗主，所以放了个云韵的封面，下次估计会是美杜莎！
今天和大家介绍一下能让C++代码更加高效的几个小技巧，话不多说，以下为本文目录：
参数传递方式：值传递还是引用传递
函数返回方式：按值返回还是按引用返回
使用移动语义
避免创建临时对象
了解返回值优化
考虑预分配内存
考虑内联
迭代 vs 递归
选择高效的算法
利用缓存
profiling
other碎碎念
以下为正文：
值传递还是引用传递：
一般情况下使用const的引用参数。对于函数本身会拷贝的参数，最好使用值传递，但只有当参数的类型支持移动语义时才这样。
在某些情况下，值传递并移动实际上是向函数传递参数的最佳方式（注意看后面的tips），例如：
class A { public: A(const std::string &str) { str_ = str; }
private: std::string str_;};可以考虑改为这种形式：
class A {public:A(std::string str) { str_ = std::move(str); }private:std::string str_;};
因为无论如何都会对它们进行拷贝。
tips：看有些资料说后者值传递是更好的参数传递方式，貌似有些道理，但是我没找到非常合理的理由，有知道的读者可以在评论区留言。
按值返回还是按引用返回：
可以通过从函数中按引用方式返回对象，以避免对象发生不必要的复制。但有时不可能通过引用返回对象，例如编写重载的operator+和其他类似运算符时。
永远都不要返回指向局部对象的引用或指针，局部对象会在函数退出时被销毁。
但是，按值返回对象通常没啥大问题。因为一般情况下他们会触发返回值优化或移动语义，即不会有多余的拷贝动作。
使用移动语义：
尽量确保对象拥有移动构造函数和移动赋值运算符。对象有了移动语义后，许多操作都会更加高效，特别是与标准库和算法相结合时。
避免创建临时对象：
没有必要的临时对象能避免就避免。一般来说，应该避免迫使编译器构造临时对象的情况。尽管有时这是不可避免的，但是至少应该意识到这项“特性”的存在，这样才不会为实际性能和分析结果而感到惊讶。编译器还会使用移动语义使临时对象的效率更高。这是要在类中添加移动语义的另一个原因。
《More Effective C++》第19条款中介绍过：所谓的临时对象并不是程序员创建的用于存储临时值的对象，而是指编译器层面上的临时对象：这种临时对象不是由程序员创建,而是由编译器为了实现某些功能（例如函数返回，类型转换等）而创建。
比如下面的代码就会有临时对象的产生：
void Func(const std::string& s);char arr[]='hello';Func(aar); // here返回值优化
通过值返回对象的函数可能导致创建一个临时对象。看下面的代码：
Person createPerson(){ Person newP { 'Marc', 'Gregoire', 42 }; return newP;}假如像这样调用这个函数(假设Person 类已经实现了operator<<运算符)：
cout << createPerson();即便这个调用没有将createPerson()的结果保存在任何地方，也必须将结果保存在某个地方，才能传递给operator<<。为此编译器创建一个临时变量，来保存createPerson()返回的Person 对象。
即使这个函数的结果没有在任何地方使用，编译器也仍然可能会生成创建临时对象的代码：
createPerson();
编译器可能生成代码来创建一个临时对象来保存返回值，即使这个返回值没有使用也是如此。
不过吧，编译器会在大多数情况下优化掉临时变量，以避免复制和移动。
关于返回值优化我之前有篇文章介绍过，感兴趣的可以看看这个：《左值引用、右值引用、移动语义、完美转发，你知道的不知道的都在这里》
预分配内存：
比如标准化容器中的reserve，需要频繁创建内存的地方可以考虑预分配一块内存出来，避免频繁的创建内存。
内联函数：
短函数可以使用内联消除函数开销。
迭代 vs 递归：
这里我更倾向于选择迭代方式，而不是递归。递归占用大量栈内存，且可能会产生很多不必要的临时对象构建。
选择效率更高的算法：
学计算机的估计没有不知道算法的吧，学算法估计没有人不知道如何计算时间复杂度和空间复杂度吧，在平时开发过程中遇到算法问题时我们可尽量选择效率更高的算法，比如O(N)和O(N2)的算法，我们肯定要选择O(N)的呀，这里可以了解下C++的，这里引入了很多高效的算法供我们使用。
尽可能多的使用缓存：
将某些数据保存下来供下次使用，避免再次获取或重新计算它们。如果任务或计算特别慢，应该保证不执行那些没有必要的任务或者重复计算。
网络通信：如果频繁发起相同的网络请求，可考虑将第一次的网络请求结果保存在内存中，或文件中？
磁盘访问：如果频繁访问一个文件，可考虑将这个文件的内容保存在内存中。
数学计算：某些很耗时很复杂的运算，可考虑只执行这种计算一次，然后共享结果。
对象分配：如果需要大量频繁创建和销毁短期对象，可考虑使用对象池。
线程创建：如果需要大量频繁创建和销毁线程，可考虑使用线程池。
做客户端开发的朋友应该都听说多级缓存的概念，就是这个原理。
profiling：
那到底什么样的代码才算是高质量代码呢？
对此我整理了一份脑图：
如何能够提升代码质量呢，除了我们自身过硬的编码能力，还需要制定代码检查流程，一般代码检查有以下几种方式：
代码检查要检查的问题有：
脑图中有一些代码度量指标，它用于量化代码质量：
如果代码的圈复杂度或认知复杂度过大，可能函数本身实现的过于复杂，或可能因为架构设计过于复杂，导致函数过于复杂。
如果函数嵌套过深，说明函数很可能出错，需要仔细进⾏⼈⼯评审，并且函数可能需要重构。
如果模块的扇入过大，说明模块可能是公共模块，需要⼈⼯评审接⼝是否是稳定的，或模块承担过多职责，可以考虑遵循单⼀职责，分解模块的职责。
如果模块的扇出过大，说明该模块依赖多个模块，可以考虑把被依赖的多个模块合并为⼀个模块，重构依赖的接⼝。
如果类的继承树过深，考虑在继承树的深度上是否有新的变化⽅向，考虑提出新的策略类，或其他设计模式来优化继承树。
如果子类过多，检查⼦类的实现中共同的地⽅，先考虑提出公共的中间⼦类，检查是否可以通过桥接模式、装饰模式、组合模式等结构型模式重构代码。
上面脑图所说的需要检查的各种问题中，代码和需求背离问题与代码是否符合设计问题需要人工评审，成本较高，其它问题可以通过工具来检测。
检测工具主要分为静态代码分析工具和动态代码检测工具。
静态代码分析工具主要用于静态代码分析，关于静态代码分析，它能够根据规则帮助检查代码缺陷，然而，对于检查规则能够覆盖的代码，工具能够工作的挺好，但对于规则没有覆盖的代码，它却无能为力，而且可能存在误报问题。
静态代码分析是保证代码质量的重要手段，据说软件开发中大概30%-70%的代码逻辑设计和编码缺陷都可以通过静态代码分析来发现和修复。它会扫描程序代码，找出代码中隐藏的错误，如参数不匹配、有歧义的嵌套语句、错误的递归、非法计算、空指针问题、越界问题、未初始化问题、内存泄漏问题等。
静态代码分析工具的优势有：
自动执行静态代码分析，快速定位代码隐藏错误和缺陷
帮助代码设计人员更专注于分析和解决代码设计缺陷
减少在代码人工检查上花费的时间，提高软件可靠性并节省开发成本
举例如下：
代码规范检查：由于拷贝粘贴造成两个分支的代码完全相同
void func(int in, int &out) { if (in > 1) out++; else out++; out++;}代码缺陷检查：没有用的RAII
void func() { std::lock_guard<std::mutex>(lk); // 临时对象，语句结束后执行析构，误用的加锁 ...}下面是一些常见的静态代码分析工具：
这里推荐一个常用的代码质量管理平台SonarCube，SonarQube是一个管理代码质量的平台（社区版免费），用于管理代码的质量，它会从多个角度维护检测代码质量，通过插件形式支持多种语言的代码质量管理和检测。它可以安装sonar-cxx插件，内置了一系列C/C++代码检查工具，还可以应用在CI/CD流程中，和Jenkins打通，可以在提交代码后检查代码是否有坏味道，不符合规范的代码就拒绝被合入master。
还有一个很好用的静态代码检测工具是Facebook的infer，它最大的优势是可以静态检测代码内隐藏的内存泄漏问题，而且免费支持Android、C、OC语言。
静态代码分析工具可以在运行前帮助我们检测缺陷，只有30%-70%，但不是所有缺陷，很多缺陷需要在运行时才会被发现。
其实我们还可以使用一些动态分析工具，通过动态分析工具可以准确定位问题，而且误报率低，但这与测试用例强绑定，查找缺陷的比例与测试用例的覆盖率有关，覆盖率对于衡量代码质量有很大意义。
代码覆盖率的意义：
● 帮助我们找到未覆盖部分的代码，分析测试用例设计的是否充分，之后视情况决定是否可以补充测试用例。
● 检测出代码的坏味道，提示我们修改代码，理清代码逻辑关系，提升代码质量。
● 代码覆盖率高不能代表代码质量一定好，但代码覆盖率低，代码质量估计不会高到哪去，可以作为我们衡量代码质量的重要手段之一。
● 对于没有覆盖到的错误，动态分析工具也无能为力。在实际工作中，我们可以动静结合，多种检查手段全都用上，可以更有效的提升代码质量。
动态分析工具可以在程序运行时发现代码的缺陷，例如内存问题、数据竞争、未定义行为等。
常用工具有GCC&Clang的Santizer系列：
● Asan-Address Sanitizer：缓存区溢出，内存泄漏
● Tsan-Thread Sanitizer：并发问题
● Msan-Memory Sanitizer：未初始化内存
● Ubsan-Undefined Behavior Sanitizer：未定义行为
● 编译选项添加fsanitize=address/memory/thread/undefined
还有Valgrind工具：
● memchek：内存问题，包括Asan和Msan
● helgrind：线程和并发问题
● cachegrind、callgrind、massif：帮助进行性能优化
使用各种工具与单元测试、功能测试、系统测试结合，提高覆盖率，可以帮助我们发现更多缺陷。
前面的多数都是代码分析工具，下面介绍一些性能分析工具，关于性能分析工具Brendan Gregg大佬的网站介绍的很详细，这里贴出来一张他总结的工具图：
这张图从Linux内核的各个子系统出发，汇总了对各个子系统进行性能分析时可以选择的工具。其实还有一些好用的工具，图里没有提到，这里重点介绍一下：
gprof：gprof是GNU工具之一，编译的时候，它在每个函数的出入口加入了profiling的代码，运行时统计程序在用户态的执行信息，可以得到每个函数的调用次数，执行时间，调用关系等信息，简单易懂。适合于查找用户级程序的性能瓶颈，然而对于很多耗时在内核态执行的程序，gprof不适合。
Oprofile：Oprofile也是一个开源的profiling工具，它使用硬件调试寄存器来统计信息，进行profiling的开销比较小，而且可以对内核进行profiling。它统计的信息非常多，可以得到cache的缺失率，memory的访存信息，分支预测错误率等等，这些信息gprof得不到，但是对于函数调用次数，它无能为力。
简单来说，gprof简单，适合于查找用户级程序的瓶颈，而Oprofile稍微有点复杂，但是得到的信息更多，更适合调试系统软件。
gperftools：Google出品，值得信赖，提供整个程序的热点分布图，找到性能瓶颈，然后可以针对性的进行性能优化，如图：
那使用什么API效率更高呢，可以看下图：
图中的rdtsc使用较繁琐而且不适用于所有平台和编译器，剩下的大家可以按需使用哈。
关于性能分析工具，程序喵整理了一份非常详细的脑图（精华全在脑图里），以性能指标分类，不同指标使用什么工具进行分析，都在图里，目录如下：
other碎碎念：
选择合适的数据结构：
选择合适的STL，想清楚什么时候用栈，什么时候用队列，什么时候用数组，什么时候用链表。
某些if-else可改为switch，效率可能更高（知道为什么吗，不知道的可以留言，人多的话考虑输出一篇文章）。
优先考虑栈内存，而不是堆内存（免得频繁的申请释放内存）。
如何函数不需要返回值，就不要设置返回值。
使用位操作，移位代替乘法除法操作。
构造函数时使用初始化方式，而不是赋值。
A::A() : a_(a) {} // better
A::A() { a_ = a;}明确使用模板带来的益处：
如果使用模板并没有给你的开发带来任何益处，是不是可以考虑不使用它，因为调试起来真的麻烦。
函数参数的个数不要太多。
擅用emplace，有些情况下会省去一次构造的开销。
最后想说一句：