Python语言近年来人气爆棚。它广泛应用于网络开发运营，数据科学，网络开发，以及网络安全问题中。 然而，Python在速度上完全没有优势可言。
在速度上，Java如何同C，C++，C#或者Python相比较？答案几乎完全取决于要运行的应用。在这个问题上，没有完美的评判标准，然而The Computer Language Benchmarks Game 是一个不错的方法。 链接： http://benchmarksgame.alioth.debian.org 基于我对The Computer Language Benchmarks Game超过十年的观察，相比于Java，C#，Go，Java， C++等，Python是最慢的语言之一。其中包括了 JIT （C#， Java） 和 AOT （C， C++）编译器，以及解释型语言，例如Java。 动态编译： https://en.wikipedia.org/wiki/Just-in-time_compilation 静态编译： https://en.wikipedia.org/wiki/Ahead-of-time_compilation 注意：当我提到“Python”时，我指的是CPython这个官方的解释器。我也将在本文中提及其他的解释器。 我想要回答这样一个问题：当运行同一个程序时，为什么Python会 比其他语言慢2到10倍？为什么我们无法将它变得更快？ 以下是最主要的原因： “它是GIL（Global Interpreter Lock全局解释器锁）” “它是解释型语言而非编译语言” “它是动态类型语言” 那么以上哪种原因对性能影响最大呢？ “它是全局解释器锁” 现代计算机的CPU通常是多核的，并且有些拥有多个处理器。为了充分利用多余的处理能力，操作系统定义了一种低级的结构叫做线程：一个进程（例如Chrome浏览器）可以产生多个线程并且指导内部系统。 如果一个进程是CPU密集型，那么其负载可以被多核同时处理，从而有效提高大多数应用的速度。 当我写这篇文章时，我的Chrome浏览器同时拥有44个线程。注意，基于POSIX（比如MacOS和Linux）和Windows操作系统相比，线程的结构和API是不同的。操作系统也会处理线程的调度问题。 如果你之前没有做过多线程编程，你需要快速熟悉锁的概念。区别于单线程进程，你需要确保当内存中的变量被修改时，多线程不会同时试图访问或者改变同一个存储地址。 当CPython创建变量时，它会预先分配存储空间，然后计算当前变量的引用数目。这个概念被称为引用计数。如果引用计数为零，那么它将从系统中释放对应存储区域。 这就是为什么在CPython中创造“临时”变量不会使应用占用大量的存储空间——尤其是当应用中使用了for循环这一类可能大量创建“临时”变量的结构时。 当存在多个线程调用变量时，CPython如何锁住引用计数成为了一个挑战。而“全局解释锁”应运而生，它能够谨慎控制线程的执行。无论有多少的线程，解释器每次只能执行一个操作。 这对Python的性能意味着什么呢？ 如果你的应用基于单线程、单解释器，那么讨论速度这一点就毫无意义，因为去掉GIL并不会影响代码性能。 如果你想使用线程在单解释器（Python 进程）中实现并发，并且你的线程为IO密集型（例如网络IO或磁盘IO），你就会看到GIL争用的结果。
该图来自David Beazley的GIL可视化 如果你有一个网络应用（例如Django）并且使用WSGI，那么每一个对于你的网络应用的请求将是一个独立的Python解释器，因此每个请求只有一个锁。因为Python解释器启动很慢，一些WSGI便集成了能够使保持Python进程的“守护进程” 。 那么其他Python解释器的速度又如何呢？ PyPy拥有GIL，通常比CPython快至少三倍。 Jython没有GIL，因为在Jython中Python线程是用Java线程表示的，这得益于JVM内存管理系统。 Java是如何做到这一点的呢？ 首先，所有的Java引擎使用标记加清除的垃圾收集系统，而之前提到GIL的基本诉求是CPython的存储管理算法。 Java没有GIL，但因为它是单线程的，所以也并不需要GIL。 Java通过事件循环和承诺／回调模式来实现异步编程的并发。Python有与异步事件循环相似的过程。 “因为它是解释型语言” 我经常听到这句话。我觉得这只是对于CPython实际运行方式的一种简单解释。如果你在终端中输入python my.py，那么CPython将对这段代码开始一系列的读取，词法分析，解析，编译，解释和运行。 这个过程中的重要步骤是在编译阶段创建一个.pyc 文件，这个字节码序列将被写入Python3下__pycache__/ 路径中的一个文件（对于Python2，文件路径相同）。这个步骤不仅仅应用于脚本文件，也应用于所有导入的代码，包括第三方模块。 所以大多时候（除非你写的代码只运行一次），Python是在解释字节码并且本地执行。下面我们将Java和C#.NET相比较： Java编译成一门“中间语言”，然后Java虚拟机读取字节代码并即时编译为机器代码。.NET的通用中间语言（CIL）是一样的，它的通用语言运行时间（CLR）也采用即时编译的方法转化为机器代码。 那么，如果Python用的是和Java和C#一样的虚拟机和某种字节代码，为什么在基准测试中它却慢得多？首先，.NET和Java是采用JIT编译的。 JIT，又称即时编译，需要一种中间语言来把代码进行分块（或者叫数据帧）。预编译（AOT, Ahead of Time）器的设计保证了CPU能够在交互之前理解代码中的每一行。 JIT本身不会使执行速度更快，因为它仍然执行相同的字节码序列。但是，JIT允许在运行时进行优化。好的JIT优化器可以检测哪些部分执行次数比较多，这些部分被称为“热点”。然后，它将用更高效的代码替换它们，完成优化。 这就意味着当计算机应用程序需要重复做一件事情的时候，它就会更加地快。另外，我们要知道Java和C#是强类型语言（变量需要预定义），因此优化器可以对代码做更多的假设。 PyPy使用即时编译器，并且前文也有提到它比CPython更快。这篇关于基准测试的文章介绍得更为详细——什么版本的Python最快？ 链接： https://hackernoon.com/which-is-the-fastest-version-of-python-2ae7c61a6b2b 那么，为什么CPython不使用即时编译器呢？ JIT存在一些缺点：其中一个是启动时间。CPython启动时间已经相对较慢，PyPy比CPython还要慢2-3倍。众所周知，Java虚拟机的启动速度很慢。为了解决这个问题，.NET CLR在系统启动的时候就开始运行，但CLR的开发人员还开发了专门运行CLR的操作系统来加快它。 如果你有一个运行时间很长的Python进程，并且其代码可以被优化（因为它包含前文所述的“热点”），那么JIT就能够起到很大作用。 但是，CPython适用于各类应用。因此，如果你使用Python开发命令行应用程序，每次调用CLI时都必须等待JIT启动，这将非常缓慢。 CPython必须尽量多地尝试不同的案例以保证通用性，而把JIT插入到CPython中可能会让这个项目停滞不前。 如果你想要借助JIT的力量，而且你的工作量还比较大，那么使用PyPy吧。 “因为它是一个动态类型语言” 在静态类型语言中，定义变量时必须声明类型。C, C++, Java, C#, Go都是这种语言。 在动态类型语言中，类型的概念依旧存在，但是这个变量的类型是动态变化的。 a = 1a = "foo" 在上面这个例子中，Python创建第二个变量的时候用了同样的名字，但是变量类型是str（字符型），这样就对先前在内存中给a分配的空间进行了释放和再分配。 静态类型语言的这种设计并不是为了麻烦大家——它们是按照CPU的运行方式设计的。如果最终需要将所有内容都转化为简单的二进制操作，那就必须将对象和类型转换为低级数据结构。 Python自动完成了这个过程，我们看不见，也没必要看见。 不必声明类型不是使Python变慢的原因。Python语言的设计使我们几乎可以创建任何动态变量。我们可以在运行时替换对象中的方法，也可以胡乱地把低级系统调用赋给一个值。几乎怎么修改都可以。 正是这种设计使得优化Python变得异常困难。 为了阐明我的观点，我将使用一个MacOS中的应用。它是一个名为Dtrace的系统调用跟踪工具。CPython发行版没有内置DTrace，因此你必须重新编译CPython。以下演示中使用3.6.6版本。 wget https://github.com/python/cpython/archive/v3.6.6.zipunzip v3.6.6.zipcd v3.6.6./configure --with-dtracemake 现在python.exe将在整条代码中使用Dtrace跟踪器。Paul Ross就Dtrace做了一篇很棒的短演讲。 你可以下载Python的DTrace启动文件来测试函数调用、执行时间、CPU时间、系统调用等各种有意思的事情。例如： sudo dtrace -s toolkit/<tracer>.d -c ‘../cpython/python.exe .py’ DTrace启动文件： https://github.com/paulross/dtrace-py/tree/master/toolkit 演讲链接： https://github.com/paulross/dtrace-py#the-lightning-talk py_callflow跟踪器显示应用程序中的所有函数调用
因此，是Python的动态类型让它变慢的吗？ 比较和转换类型是耗时的，因为每次读取、写入变量或引用变量类型时都会进行检查 很难优化一种如此动态的语言。其他语言之所以那么快是因为他们牺牲了一定的灵活性，从而提高了性能。 了解一下Cython，它结合了C-Static类型和Python来优化已知类型的代码，可以提供84倍速度的性能提升。 结论 Python的缓慢主要是由于它动态和多用途的特点。它可以用于解决几乎所有问题，但是更加优化而快捷的替代方案可能存在。 但是，有一些方法可以通过利用异步计算，理解分析工具，以及考虑使用多个解释器来优化Python应用程序。 对于有些启动时间相对不重要，并且即时编译器（JIT）可以提高效率的应用，可以考虑使用PyPy。 对于性能优先并且有更多静态变量的代码部分，请考虑使用Cython。 |
