PyPy 通过采用即时编译技术，能够显著提升 Python 代码的执行效率。

news2024/11/16 12:47:44

🍉 CSDN 叶庭云：https://yetingyun.blog.csdn.net/

提升 Python 代码性能至接近 C 语言速度，无需修改源代码。遵循 Python 之父吉多・范罗苏姆的建议：“如果你想让你的代码神奇地运行得更快，你应该试试用 PyPy。”

YouTube 视频链接：https://www.youtube.com/watch?v=2wDvzy6Hgxg&t=1012s

A high-speed rocket soaring through the sky, leaving a trail of flames behind, as if propelled by the power of Just-In-Time Compilation. --version 6 --quality 1 --chaos 0 --stylize 100 --aspect 16:9

研究人员需要快速编写代码来验证想法的可行性，这对于他们的工作至关重要。Python 是一个理想的选择，它能帮助人们专注于想法本身，而无需过多关注代码格式等琐碎事务。然而，Python 的一个主要缺点是其运行速度相较于 C 或 C++ 等编译型语言明显较慢。

那么，当通过构建 Python 原型验证了想法后，如何将其转化为一个快速且高效的工具呢？通常情况下，人们需要进行额外的步骤，即手动将 Python 代码转换为 C 语言代码。但如果 Python 原型本身就能实现快速运行，那么转换代码的时间便可用于更具价值的工作。

PyPy 恰好能够解决这一问题，它能够显著提升 Python 代码的运行速度，甚至可以与 C 语言相媲美。为了验证 PyPy 的性能优势，我们进行了以下实验：分别使用默认的 Python 解释器和 PyPy 来运行一段代码，该代码执行一个从整数 0 加到 100,000,000 的 for 循环，并打印出运行时间。以下是实验结果：

# 导入了 Python 的 time 模块。time 模块提供了各种与时间相关的函数，可以用来测量时间、处理日期时间等。
import time
# termcolor 是一个第三方库，用于在终端输出彩色文本。colored 函数可以根据指定的颜色来格式化文本。
from termcolor import colored

# 调用了 time 模块中的 time() 函数，并将返回值（当前时间的时间戳，单位为秒）赋值给变量 start。这里记录下开始计算之前的时间点，以便后续计算总耗时。
start = time.time()
# 初始化变量 number 为 0。这个变量将用来累加从 0 到 99,999,999 的所有整数。
number = 0
for i in range(100000000):
	# 在循环体内，每次循环都将变量 i 的值累加到变量 number 上。这样，在循环结束时，number 将包含从 0 到 99,999,999 所有整数的和。
    number += i

print(colored("FINISHED", "green"))
# 再次调用 time.time() 获取当前时间戳，并与之前记录的开始时间戳（存储在变量 start 中）相减，得到执行计算所花费的总时间（单位为秒）。然后，使用 f-string 格式化字符串，将计算出的耗时插入到字符串中并打印出来。这样用户就可以看到程序执行所需的时间。
print(f"Ellapsed time: {time.time() - start} s")

在这里插入图片描述

这不是学术评估，但结果令人惊叹。与默认的 Python 解释器（大约需要 10 秒）相比，PyPy 仅用 0.22 秒就完成了执行。更令人惊讶的是，无需任何修改，Python 代码即可直接在 PyPy 上运行。而在同一台计算机上，等效的 C 语言实现需要 0.32 秒。PyPy 甚至超过了最快的 C 语言实现。

为什么 PyPy 这么快？

尽管代码看起来完全相同，但其执行方式却大相径庭。PyPy 提升执行速度的关键在于采用 “即时编译”（Just-In-Time Compilation），也就是 JIT 编译技术。

C、C++、Swift、Haskell、Rust 等编程语言通常采用提前编译（AOT 编译）的方式。这意味着，使用这些语言编写的代码，在程序运行之前，编译器会将其源代码转换为特定计算机架构可执行的机器码。因此，当程序执行时，实际运行的是机器码，而非原始的源代码。

在这里插入图片描述

不同于 C 语言等上述语言，Python、JavaScript、PHP 等语言采用的是另一种方法 —— 解释器。与将源代码转换为机器码不同，解释过程中源代码保持不变。每次运行程序时，解释器都会逐行查看代码并执行。例如，每个 Web 浏览器都内置了 JavaScript 解释器。

在这里插入图片描述

PyPy 利用即时编译技术来执行 Python 代码，与传统解释器不同，它不会逐行运行代码，而是在程序执行前先将部分代码编译成机器码。即时编译结合了提前编译和解释的优点。如图所示，PyPy 采用的即时编译融合了这两种方法，通过提前编译提升性能，同时保持解释型语言的灵活性和跨平台可用性。

在这里插入图片描述

AOT 优点：

在程序运行前进行编译，可以避免运行时的编译性能消耗和内存消耗。
程序在运行初期即可达到最高性能。
显著加快程序启动速度。

AOT 缺点：

程序运行前的编译增加了程序安装的时间。无运行时性能加成，不能根据程序运行情况做进一步的优化。
提前编译的内容保存会占用更多的外部存储空间。

JIT 优点：

在程序运行时，根据算法计算出热点代码，然后进行 JIT 实时编译，这种方式吞吐量高，有运行时性能加成，可以跑得更快，并可以做到动态生成代码等。
可以根据当前程序的运行情况生成最优的机器指令序列，从而提高程序的执行效率。
当程序需要支持动态链接时，JIT 是一个优先的选择。
JIT 可以根据进程中内存的实际情况调整代码，从而更充分地利用内存资源。

JIT 缺点：

编译过程会占用运行时资源，这可能导致进程卡顿，影响用户体验。
相对启动速度较慢，并需要一定时间和调用频率才能触发 JIT 的分层机制。
编译时间需要占用运行时间，并且某些代码的编译优化可能无法实现，因此我们需要考虑程序流畅性和编译时间的问题。
在编译准备和识别频繁使用的方法时，需要消耗一定的时间，这使得初始编译可能无法达到最高性能。因此，JIT 需要在运行时不断优化代码，以提高程序的执行效率。

PyPy 在我们的程序已经很快或者大部分运行时间都用于调用非 Python 库时，效果较差。然而，如果我们有一个运行缓慢的程序，其中大部分时间都花在执行 Python 代码和密集的计算上，PyPy 可以发挥奇效。

总结：编译型编程语言会将源代码提前转化为机器代码，而解释型编程语言则由解释器逐行运行。即时编译技术结合了提前编译和解释的优点，实现边运行边编译。JIT 与 AOT 的主要区别在于编译时间：JIT 在运行时编译，而 AOT 则在程序运行前进行编译。PyPy 采用即时编译技术，显著提高了 Python 代码的运行速度。即时编译不仅提升了程序执行效率，还保持了解释型语言的灵活性和跨平台可用性。

📚️ 相关链接：