为啥Python运行速度这么慢 ？

作者：Anthony Shaw 是 Python 软件基金会成员和 Apache 基金会成员。

近来 Python 可谓人气骤升。这门编程语言用于开发运维（DevOps）、数据科学、网站开发和安全。

然而，它没有因速度而赢得任何奖牌。

Java 在速度方面与C、C++、C#或 Python 相比如何？答案很大程度上取决于你运行的应用程序的类型。没有哪个基准测试程序尽善尽美，不过 The Computer Language Benchmarks Game（计算机语言基准测试游戏）是个不错的起点。

十多年来，我一直提到计算机语言基准测试游戏；与 Java、C#、Go、JavaScript 和 C++ 等其他语言相比，Python 是速度最慢的语言之一。除了 JavaScript 等解释语言外，这还包括 JIT（C#和 Java）以及 AOT（C和C++）编译器。

注意：我说“Python”时，其实指这种语言的参考实现：CPython。我会在本文中提到其他运行时环境。

我想回答这个问题：Python 运行完成类似的应用程序比另一种语言慢 2 倍至 10 倍时，为什么它这么慢，我们能不能让它更快些？

下面是几种常见的说法：

• “它是 GIL（全局解释器锁）”

• “这是由于它是解释的，而非编译”

• “这是由于它是一种动态类型语言”

那么，到底上述哪个原因对性能带来的影响最大？

“它是 GIL”

现代计算机搭载拥有多个内核的 CPU，有时搭载多个处理器。为了利用所有这些额外的处理能力，操作系统定义了一种名为线程的低级结构：一个进程（比如 Chrome 浏览器）可能生成多个线程，并拥有针对内部系统的指令。这样一来，如果某个进程特别耗费 CPU 资源，该负载可以在诸多核心之间分担，这实际上让大多数应用程序更快地完成任务。

我在写这篇文章时，我的 Chrome 浏览器有 44 个线程开着。请记住这点：线程的结构和 API 在基于 POSIX 的操作系统（比如 Mac OS 和 Linux）与 Windows OS 之间是不同的。操作系统还处理线程的调度。

如果你之前没有从事过多线程编程，需要尽快熟悉的一个概念就是锁（lock）。与单线程进程不同，当你需要确保改变内存中的变量时，多个线程并不同时试图访问/改变同样的内存地址。

CPython 创建变量时，它会分配内存，然后计算该变量的引用有多少，这个概念名为引用计数（reference counting）。如果引用数为0，那么它从系统释放这部分内存。这就是为什么在某个代码段（比如 for 循环的范围）内创建一个“临时”变量不会搞砸应用程序的内存消耗。

当变量在多个线程内共享时，就出现了这个难题：CPython 如何锁定引用计数。有一个“全局解释器锁”，它小心地控制线程执行。解释器一次只能执行一个操作，无论它有多少线程。

这对 Python 应用程序的性能来说意味着什么？

如果你有单线程、单个解释器的应用程序，这对速度不会有影响。删除 GIL 根本不会影响你代码的性能。

如果你想通过使用线程机制在单个解释器（Python 进程）内实现并发功能，而且线程是 IO 密集型（比如网络 IO 或磁盘 IO），你会看到 GIL 争夺的后果。

上图来自大卫·比兹利（David Beazley）撰写的《GIL 可视化》文章：

http://dabeaz.blogspot.com/2010/01/python-gil-visualized.html

如果你有 Web 应用程序（比如 Django），又在使用 WSGI，那么针对 Web 应用程序的每个请求都是一个单独的 Python 解释器，所以每个请求只有一个锁。由于 Python 解释器启动缓慢，一些 WSGI 实现拥有“守护进程模式”，这可以让一个或多个 Python 进程为你保持活跃状态。

其他 Python 运行时环境怎么样？

PyPy 有一个 GIL，它通常比 CPython 快 3 倍。

Jython 之所以没有 GIL，是由于 Jython 中的 Python 线程由 Java 线程表示，受益于 JVM 内存管理系统。

JavaScript 如何执行此任务？

好吧，首先所有 Javascript 引擎都使用标记-清除（mark-and-sweep）垃圾收集机制。如上所述，GIL 的主要需求是 CPython 的内存管理算法。

JavaScript 没有 GIL，但它也是单线程的，所以它不需要内存管理算法。JavaScript 的事件循环和承诺回调（Promise/Callback）模式是实现异步编程以代替并发的方法。Python 与 asyncio 事件循环有相似之处。

“这是由于它一种解释语言”

我常听到这个观点，但觉得这过于简化了 CPython 的实际工作方式。如果你在终端上编写了 python myscript.py，那么 CPython 会启动读取、分析、解析、编译、解释和执行代码的一长串操作。

如果你对这个过程的机理颇感兴趣，我之前写过一篇文章：《6 分钟内修改 Python 语言》（https://hackernoon.com/modifying-the-python-language-in-7-minutes-b94b0a99ce14）。

这个过程的一个重要节点是创建 .pyc 文件；在编译阶段，字节码序列写入到 Python 3 中__pycache__/里面的一个文件或 Python 2 中的同一个目录。这不仅适用于你的脚本，还适用于导入的所有代码，包括第三方模块。

所以在大部分时间（除非你编写的是只运行一次的代码？），Python 解释字节码，并在本地执行。相比之下 Java 和C#.NET：

Java 编译成一种“中间语言”，Java 虚拟机读取字节码，并即时编译成机器码。.NET CIL 也一样，.NET 公共语言运行时环境（CLR）使用即时编译，将编译后代码编译成机器码。

那么，既然都使用虚拟机和某种字节码，为什么 Python 在基准测试中比 Java 和 C# 都要慢得多呢？首先，.NET 和 Java 是 JIT 编译型的。

JIT 或即时编译需要一种中间语言，以便将代码拆分成块（或帧）。提前（AOT）编译器旨在确保 CPU 在任何交互发生之前能理解每一行代码。

JIT 本身不会使执行变得更快，因为它仍然执行相同的字节码序列。然而，JIT 让代码在运行时能够加以优化。一个好的 JIT 优化器会看到应用程序的哪些部分在频繁执行，这些代码称之为“热点代码”（hot spot）。然后，它会对这些代码进行优化，其办法是把它们换成更高效的版本。

这就意味着当你的应用程序一次又一次地执行相同的操作时，运行速度可以显著加快。另外记住一点：Java 和 C# 是强类型语言，因此优化器可以对代码做出多得多的假设。

PyPy 有 JIT，如上所述，其速度比 CPython 快得多。这篇性能基准测试文章作了更详细的介绍：《哪个 Python 版本的速度最快？》（https://hackernoon.com/which-is-the-fastest-version-of-python-2ae7c61a6b2b）。

那么，CPython 为什么不使用 JIT 呢？

JIT 存在几个缺点：缺点之一是启动时间。CPython 的启动时间已经比较慢了，PyPy 的启动时间比 CPython 还要慢 2 倍至 3 倍。众所周知，Java 虚拟机的启动速度很慢。.NET CLR 通过系统开启时启动解决了这个问题，但 CLR 的开发人员还开发了操作系统，CLR 在它上面运行。

如果你有一个 Python 进程长时间运行，代码因含有“热点代码”而可以优化，那么 JIT 大有意义。

然而，CPython 是一种通用实现。所以，如果你在使用 Python 开发命令行应用程序，每次调用 CLI 都得等待 JIT 启动会慢得要命。

CPython 不得不试图满足尽可能多的用例（use case）。之前有人试过将 JIT 插入到 CPython 中，但这个项目基本上搁浅了。

如果你想获得 JIT 的好处，又有适合它的工作负载，不妨使用 PyPy。

“这是由于它是一种动态类型语言”

在“静态类型”语言中，你在声明变量时必须指定变量的类型。这样的语言包括C、C++、Java、C#和 Go。

在动态类型语言中，仍然存在类型这个概念，但变量的类型是动态的。

在这个示例中，Python 创建了一个有相同名称、str 类型的第二个变量，并释放为a的第一个实例创建的内存。

静态类型语言不是为了给你添堵而设计的，它们是兼顾 CPU 的运行方式设计的。如果一切最终需要等同于简单的二进制操作，你就得将对象和类型转换成低级数据结构。

Python 为你这么做这项工作，你永远看不到，也不需要操心。

不必声明类型不是导致 Python 速度慢的原因，Python 语言的设计使你能够让几乎一切都是动态的。你可以通过猴子补丁（monkey-patch），加入对运行时声明的值进行低级系统调用的代码。几乎一切都有可能。

正是这种设计使得优化 Python 异常困难。

为了说明我的观点，我将使用可在 Mac OS 中使用的一种名为 Dtrace 的系统调用跟踪工具。CPython 发行版并未内置 DTrace，所以你得重新编译 CPython。我使用 3.6.6 进行演示。

现在 python.exe 将在整个代码中使用 Dtrace 跟踪器。保罗·罗斯（Paul Ross）写了一篇关于 Dtrace 的杂谈（https://github.com/paulross/dtrace-py#the-lightning-talk）。你可以下载 Python 的 DTrace 启动文件（https://github.com/paulross/dtrace-py/tree/master/toolkit）来测量函数调用、执行时间、CPU 时间、系统调用和各种好玩的指标。比如

py_callflow 跟踪器显示你应用程序中的所有函数调用。

那么，Python 的动态类型会让它变慢吗？

• 比较和转换类型的开销很大，每次读取、写入或引用一个变量，都要检查类型。

• 很难优化一种极具动态性的语言。Python 的许多替代语言之所以快得多，原因在于它们为了性能在灵活性方面作出了牺牲。

• Cython 结合了C-Static 类型和 Python 来优化类型已知的代码，可以将性能提升 84 倍。

结论

Python 之所以速度慢，主要是由于动态性和多功能性。它可用作解决各种问题的工具，Python 有更优化、速度更快的几个替代方案。

然而，有一些方法可以优化你的 Python 应用程序，比如通过充分利用异步、深入了解分析工具以及考虑使用多个解释器。

对于启动时间不重要、代码会受益于 JIT 的应用程序来说，不妨考虑 PyPy。

对于性能至关重要，又有更多静态类型变量的部分代码而言，不妨考虑使用 Cython。

更多Python视频、源码、资料加群683380553免费获取