【C#获取高精度时间】

在C#中,有几种方法可以获取高精度时间(高分辨率时间戳),适用于性能测量、计时等需要高精度的场景。以下是几种常用方法:

1. 使用 Stopwatch 类(推荐)

Stopwatch 类提供了最高精度的时间测量,适用于测量时间间隔。

using System;
using System.Diagnostics;class Program
{static void Main(){// 创建Stopwatch实例Stopwatch stopwatch = new Stopwatch();// 开始计时stopwatch.Start();// 执行一些操作for (int i = 0; i < 1000000; i++){var x = Math.Sqrt(i);}// 停止计时stopwatch.Stop();// 获取经过的时间Console.WriteLine($"Elapsed Time: {stopwatch.Elapsed}");Console.WriteLine($"Elapsed Milliseconds: {stopwatch.ElapsedMilliseconds}");Console.WriteLine($"Elapsed Ticks: {stopwatch.ElapsedTicks}");// 检查计时器频率Console.WriteLine($"Frequency: {Stopwatch.Frequency} ticks per second");Console.WriteLine($"IsHighResolution: {Stopwatch.IsHighResolution}");}
}

2. 使用 DateTime.UtcNow(精度较低)

虽然不如 Stopwatch 精确,但在某些简单场景下可以使用:

DateTime startTime = DateTime.UtcNow;// 执行一些操作
for (int i = 0; i < 1000000; i++)
{var x = Math.Sqrt(i);
}DateTime endTime = DateTime.UtcNow;
TimeSpan elapsed = endTime - startTime;Console.WriteLine($"Elapsed Time: {elapsed}");

3. 使用 P/Invoke 调用 Windows 高精度计时器

如果需要更高精度或与原生代码交互,可以使用 Windows API:

using System;
using System.Runtime.InteropServices;class Program
{[DllImport("kernel32.dll")]private static extern bool QueryPerformanceCounter(out long lpPerformanceCount);[DllImport("kernel32.dll")]private static extern bool QueryPerformanceFrequency(out long lpFrequency);static void Main(){long frequency;QueryPerformanceFrequency(out frequency);long start;QueryPerformanceCounter(out start);// 执行一些操作for (int i = 0; i < 1000000; i++){var x = Math.Sqrt(i);}long end;QueryPerformanceCounter(out end);double elapsed = (end - start) / (double)frequency;Console.WriteLine($"Elapsed Time: {elapsed} seconds");}
}

4. 使用 .NET Core 3.0+ 的 TimeProvider(.NET 6+)

在 .NET 6 及更高版本中,可以使用 TimeProvider 抽象:

using System;var timeProvider = TimeProvider.System;
long startTimestamp = timeProvider.GetTimestamp();// 执行一些操作
for (int i = 0; i < 1000000; i++)
{var x = Math.Sqrt(i);
}long endTimestamp = timeProvider.GetTimestamp();
double elapsed = timeProvider.GetElapsedTime(startTimestamp, endTimestamp).TotalSeconds;Console.WriteLine($"Elapsed Time: {elapsed} seconds");

注意事项

  1. 精度差异

    • Stopwatch 通常提供最高精度(取决于硬件,可能是微秒级)
    • DateTime 的精度通常约为10-15毫秒
    • Windows 的 QueryPerformanceCounter 通常与 Stopwatch 精度相同
  2. 跨平台考虑

    • Stopwatch 在所有平台上都能提供最佳可用精度
    • 直接 P/Invoke 方法仅适用于 Windows
  3. 时间戳与日历时间

    • 高精度计时器通常返回的是相对于某个任意起点的时间戳,不是日历时间
    • 如果需要日历时间,应使用 DateTime.UtcNowDateTimeOffset.UtcNow

对于大多数性能测量场景,Stopwatch 是最佳选择。

注:内容由AI生成

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:http://www.pswp.cn/diannao/93373.shtml
繁体地址,请注明出处:http://hk.pswp.cn/diannao/93373.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Spring Boot + React 打造现代化高校成绩管理系统实战记录

作者: 笙囧同学 发布时间: 2025年7月 技术栈: Spring Boot 3.2.3 React 18 TypeScript 华为云GaussDB 项目类型: 全栈Web应用 开发周期: 30天 代码量: 15000 行 &#x1f4d6; 前言 大家好&#xff0c;我是笙囧同学&#xff01;&#x1f64b;‍♂️ 作为一名计算机科学与技…

形参表不匹配(BUG)

在您的代码中&#xff0c;存在两个主要问题导致"形参表中不匹配"的错误&#xff1a;erase() 函数中的成员变量名错误iterator erase(iterator pos) {// ...size--; // ❌ 错误&#xff1a;成员变量名为 _size 而非 sizereturn iterator(next); }修正&#xff1a;ite…

Spring循环依赖以及三个级别缓存

Spring循环依赖以及三个级别缓存 什么是循环依赖&#xff1f; 循环依赖&#xff0c;顾名思义&#xff0c;就是指两个或多个 Spring Bean 之间相互依赖&#xff0c;形成一个闭环。 最常见也是 Spring 能够“解决”的循环依赖是构造器注入 和 setter 注入 混合或单独使用时&…

《零基础入门AI:OpenCV图像预处理进一步学习》

本文全面讲解OpenCV图像预处理的七大核心技术&#xff08;插值方法、边缘填充、图像矫正&#xff08;透视变换&#xff09;、图像掩膜、ROI切割、图像添加水印、图像噪点消除&#xff09;&#xff0c;每个知识点都配有详细解释和实用代码示例&#xff0c;帮助初学者建立系统的图…

MongoDB的内存和核心数对于运行效率的影响

在 MongoDB 线上生产环境中&#xff0c;CPU&#xff08;核心&#xff09; 和 内存 是两大关键硬件资源&#xff0c;它们在不同的操作场景下发挥着核心作用&#xff0c;共同影响着数据库的性能、稳定性和扩展性。理解它们的作用场景至关重要&#xff0c;是容量规划、性能优化和故…

自己的SAPGUI尝试

为满足用户需求&#xff0c;博主做了一个台账管理程序&#xff0c;尝试用自己的程序做GUI&#xff0c;用SAP 系统做数据库。 运行了半年&#xff0c;程序很nice,用户每天都在高效的使用&#xff0c;已经有十几万的数据。 总结一下这次自己的GUI尝试&#xff0c;好处是C# WINFOR…

高效处理 JSON 数据:JsonUtil 工具类全方位解析与实战

在现代软件开发中,JSON(JavaScript Object Notation)已成为数据交换的“通用语言”——从前后端接口通信到微服务数据交互,从配置文件解析到日志格式化,几乎所有场景都离不开JSON的处理。然而,原生JSON框架(如FastJSON、Jackson)的API往往需要大量重复代码,且空指针、…

Python 库手册:xmlrpc.client 与 xmlrpc.server 模块

xmlrpc.client 和 xmlrpc.server 是 Python 标准库中用于构建基于 XML-RPC 协议的远程过程调用&#xff08;RPC&#xff09;通信模块。xmlrpc.client 用于编写客户端程序&#xff0c;向远程服务器发起方法调用。xmlrpc.server 用于编写服务器端&#xff0c;暴露本地方法供远程客…

渲染篇(一):从零实现一个“微型React”:Virtual DOM的真面目

渲染篇(一)&#xff1a;从零实现一个“微型React”&#xff1a;Virtual DOM的真面目 引子&#xff1a;前端性能的“永恒之问” 在前面两章中&#xff0c;我们已经奠定了坚实的架构基础。我们用“任务调度器”建立了声明式和模块化的编程范式&#xff0c;并通过对比MVC等模式论…

SWC 深入全面讲解

一、核心功能与原理 1. 高性能编译 Rust 架构优势&#xff1a;SWC 基于 Rust 编写&#xff0c;利用 Rust 的性能和并发性优势&#xff0c;编译速度比 Babel 快约 20 倍&#xff0c;比 TypeScript 编译器更快。并行编译&#xff1a;支持多线程并行处理&#xff0c;在四核基准测试…

XML Expat Parser:深入解析与高效应用

XML Expat Parser:深入解析与高效应用 引言 XML(可扩展标记语言)作为一种广泛使用的标记语言,在数据交换、存储和表示中扮演着重要角色。XML Expat Parser 是一个高性能、可扩展的XML解析库,广泛应用于各种编程语言中。本文将深入探讨XML Expat Parser 的原理、特性以及…

【Python】自动化GIT提交

在日常开发中&#xff0c;我们经常需要频繁地向 Git 仓库提交代码。虽然 git add、git commit、git push 这几个命令并不复杂&#xff0c;但重复操作容易出错&#xff0c;也浪费时间。本文将介绍如何使用 Python 脚本自动化完成 Git 提交流程&#xff0c;让开发更高效&#xff…

基于Qlearning强化学习的水下无人航行器路径规划与避障系统matlab性能仿真

目录 1.引言 2.算法仿真效果演示 3.数据集格式或算法参数简介 4.算法涉及理论知识概要 5.参考文献 6.完整算法代码文件获得 1.引言 水下无人航行器 (Autonomous Underwater Vehicle, AUV) 的路径规划与避障是海洋探索、资源开发和军事应用中的关键技术。传统的路径规划方…

模块自由拼装!Python重构DSSAT作物模块教程(以杂交水稻为例)

基于过程的作物生长模型&#xff08;Process-based Crop Growth Simulation Model&#xff09;在模拟作物对气候变化的响应与适应、农田管理优化、作物品种和株型筛选、农业碳中和、农田固碳减排等领域扮演着越来越重要的作用。Decision Support Systems for Agrotechnology Tr…

Java项目接口权限校验的灵活实现

引言 在Java Web开发中&#xff0c;接口权限校验是保护系统资源安全的关键机制。本文将介绍一种灵活、可配置的接口权限校验方案&#xff0c;通过注解驱动和拦截器实现&#xff0c;既能保证安全性&#xff0c;又能灵活控制哪些接口需要校验。 设计思路 实现方案的核心设计要点&…

瀚高DB兼容MySQL if函数

文章目录环境症状问题原因解决方案环境 系统平台&#xff1a;Linux x86-64 Red Hat Enterprise Linux 7 版本&#xff1a;4.5 症状 MySQL if函数在瀚高DB当中没有&#xff0c;源应用在用到if函数时&#xff0c;就会报if函数不存在的错误信息。为此&#xff0c;我们需要根据业…

基于深度学习的胸部 X 光图像肺炎分类系统(六)

目录 结果指标解读 一、为什么选择这些指标&#xff1f; 二、各指标的定义和解读 1. 准确率&#xff08;Accuracy&#xff09; 2. 损失&#xff08;Loss&#xff09; 3. 精确率&#xff08;Precision&#xff09; 4. 召回率&#xff08;Recall&#xff09; 三、这些指标…

区块链性能优化策略:从理论到实践

目录 区块链性能优化策略:从理论到实践 1. 引言:区块链性能的挑战 2. 性能评估指标 2.1 核心性能指标 2.2 性能瓶颈分析 3. 分层优化策略 3.1 网络层优化 3.1.1 Gossip协议改进 3.1.2 网络分片 3.2 共识层优化 3.2.1 PBFT优化 3.3 数据层优化 3.3.1 状态树优化 3.3.2 区块数据…

【VLLM】open-webui部署模型全流程

目录 前言 一、租用服务器到服务器连接VScode全流程(可选) 二、下载模型到本地服务器 2.1 进入魔塔社区官网 2.2 选择下载模型 2.3 执行下载 三、部署VLLM 3.1 参考vllm官网文档 3.2 查看硬件要求 3.3 安装vLLM框架 3.4 启动模型服务 方法1:直接启动下载的本地模…

办公自动化入门:如何高效将图片整合为PDF文档

将多张图片合并到一个PDF文件中可以帮助保持特定的顺序和布局&#xff0c;同时确保图像的质量不会因为格式转换而下降。它是免费&#xff0c;不限次数&#xff0c;批量导入也毫无压力。操作堪比发朋友圈&#xff1a;拖图进来 → 选个纸张尺寸 → 点击转换 → 指定保存路径&…