作者：Anthony Shaw 是 Python 軟件基金會成員和 Apache 基金會成員。

近來Python可謂人氣驟升。這門編程語言用于開發運維（DevOps）、數據科學、網站開發和安全。

然而，它沒有因速度而贏得任何獎牌。

Java在速度方面與C、C++、C#或Python相比如何？答案很大程度上取決于你運行的應用程序的類型。沒有哪個基準測試程序盡善盡美，不過The Computer Language Benchmarks Game（計算機語言基準測試游戲）是個不錯的起點。

十多年來，我一直提到計算機語言基準測試游戲；與Java、C#、Go、Java和C++等其他語言相比，Python是速度最慢的語言之一。除了Java等解釋語言外，這還包括JIT（C#和Java）以及AOT（C和C++）編譯器。

注意：我說“Python”時，其實指這種語言的參考實現：CPython。我會在本文中提到其他運行時環境。

我想回答這個問題：Python運行完成類似的應用程序比另一種語言慢2倍至10倍時，為什么它這么慢，我們能不能讓它更快些？

下面是幾種常見的說法：

• “它是GIL（全局解釋器鎖）”
• “這是由于它是解釋的，而非編譯”
• “這是由于它是一種動態類型語言”

那么，到底上述哪個原因對性能帶來的影響最大？

“它是GIL”

現代計算機搭載擁有多個內核的CPU，有時搭載多個處理器。為了利用所有這些額外的處理能力，操作系統定義了一種名為線程的低級結構：一個進程（比如Chrome瀏覽器）可能生成多個線程，并擁有針對內部系統的指令。這樣一來，如果某個進程特別耗費CPU資源，該負載可以在諸多核心之間分擔，這實際上讓大多數應用程序更快地完成任務。

我在寫這篇文章時，我的Chrome瀏覽器有44個線程開著。請記住這點：線程的結構和API在基于POSIX的操作系統（比如Mac OS和Linux）與Windows OS之間是不同的。操作系統還處理線程的調度。

如果你之前沒有從事過多線程編程，需要盡快熟悉的一個概念就是鎖（lock）。與單線程進程不同，當你需要確保改變內存中的變量時，多個線程并不同時試圖訪問/改變同樣的內存地址。

CPython創建變量時，它會分配內存，然后計算該變量的引用有多少，這個概念名為引用計數（reference counting）。如果引用數為0，那么它從系統釋放這部分內存。這就是為什么在某個代碼段（比如for循環的范圍）內創建一個“臨時”變量不會搞砸應用程序的內存消耗。

當變量在多個線程內共享時，就出現了這個難題：CPython如何鎖定引用計數。有一個“全局解釋器鎖”，它小心地控制線程執行。解釋器一次只能執行一個操作，無論它有多少線程。

這對Python應用程序的性能來說意味著什么？

如果你有單線程、單個解釋器的應用程序，這對速度不會有影響。刪除GIL根本不會影響你代碼的性能。

如果你想通過使用線程機制在單個解釋器（Python進程）內實現并發功能，而且線程是IO密集型（比如網絡IO或磁盤IO），你會看到GIL爭奪的后果。

上圖來自大衛?比茲利（David Beazley）撰寫的《GIL可視化》文章：http://dabeaz.blogspot.com/2010/01/python-gil-visualized.html

如果你有Web應用程序（比如Django），又在使用WSGI，那么針對Web應用程序的每個請求都是一個單獨的Python解釋器，所以每個請求只有一個鎖。由于Python解釋器啟動緩慢，一些WSGI實現擁有“守護進程模式”，這可以讓一個或多個Python進程為你保持活躍狀態。

其他Python運行時環境怎么樣？

PyPy有一個GIL，它通常比CPython快3倍。

Jython之所以沒有GIL，是由于Jython中的Python線程由Java線程表示，受益于JVM內存管理系統。

Java如何執行此任務？

好吧，首先所有Java引擎都使用標記-清除（mark-and-sweep）垃圾收集機制。如上所述，GIL的主要需求是CPython的內存管理算法。

Java沒有GIL，但它也是單線程的，所以它不需要內存管理算法。Java的事件循環和承諾回調（Promise/Callback）模式是實現異步編程以代替并發的方法。Python與asyncio事件循環有相似之處。

“這是由于它一種解釋語言”

我常聽到這個觀點，但覺得這過于簡化了CPython的實際工作方式。如果你在終端上編寫了python my.py，那么CPython會啟動讀取、分析、解析、編譯、解釋和執行代碼的一長串操作。

如果你對這個過程的機理頗感興趣，我之前寫過一篇文章：《6分鐘內修改Python語言》（https://hackernoon.com/modifying-the-python-language-in-7-minutes-b94b0a99ce14）。

這個過程的一個重要節點是創建.pyc文件；在編譯階段，字節碼序列寫入到Python 3中__pycache__/里面的一個文件或Python 2中的同一個目錄。這不僅適用于你的腳本，還適用于導入的所有代碼，包括第三方模塊。

所以在大部分時間（除非你編寫的是只運行一次的代碼？），Python解釋字節碼，并在本地執行。相比之下Java和C#.NET：

Java編譯成一種“中間語言”，Java虛擬機讀取字節碼，并即時編譯成機器碼。.NET CIL也一樣，.NET公共語言運行時環境（CLR）使用即時編譯，將編譯后代碼編譯成機器碼。

那么，既然都使用虛擬機和某種字節碼，為什么Python在基準測試中比Java和C#都要慢得多呢？首先，.NET和Java是JIT編譯型的。

JIT或即時編譯需要一種中間語言，以便將代碼拆分成塊（或幀）。提前（AOT）編譯器旨在確保CPU在任何交互發生之前能理解每一行代碼。

JIT本身不會使執行變得更快，因為它仍然執行相同的字節碼序列。然而，JIT讓代碼在運行時能夠加以優化。一個好的JIT優化器會看到應用程序的哪些部分在頻繁執行，這些代碼稱之為“熱點代碼”（hot spot）。然后，它會對這些代碼進行優化，其辦法是把它們換成更高效的版本。

這就意味著當你的應用程序一次又一次地執行相同的操作時，運行速度可以顯著加快。另外記住一點：Java和C#是強類型語言，因此優化器可以對代碼做出多得多的假設。

PyPy有JIT，如上所述，其速度比CPython快得多。這篇性能基準測試文章作了更詳細的介紹：《哪個Python版本的速度最快？》（https://hackernoon.com/which-is-the-fastest-version-of-python-2ae7c61a6b2b）。

那么，CPython為什么不使用JIT呢？

JIT存在幾個缺點：缺點之一是啟動時間。CPython的啟動時間已經比較慢了，PyPy的啟動時間比CPython還要慢2倍至3倍。眾所周知，Java虛擬機的啟動速度很慢。.NET CLR通過系統開啟時啟動解決了這個問題，但CLR的開發人員還開發了操作系統，CLR在它上面運行。

如果你有一個Python進程長時間運行，代碼因含有“熱點代碼”而可以優化，那么JIT大有意義。

然而，CPython是一種通用實現。所以，如果你在使用Python開發命令行應用程序，每次調用CLI都得等待JIT啟動會慢得要命。

CPython不得不試圖滿足盡可能多的用例（use case）。之前有人試過將JIT插入到CPython中，但這個項目基本上擱淺了。

如果你想獲得JIT的好處，又有適合它的工作負載，不妨使用PyPy。

“這是由于它是一種動態類型語言”

在“靜態類型”語言中，你在聲明變量時必須指定變量的類型。這樣的語言包括C、C++、Java、C#和Go。

在動態類型語言中，仍然存在類型這個概念，但變量的類型是動態的。

在這個示例中，Python創建了一個有相同名稱、str類型的第二個變量，并釋放為a的第一個實例創建的內存。

靜態類型語言不是為了給你添堵而設計的，它們是兼顧CPU的運行方式設計的。如果一切最終需要等同于簡單的二進制操作，你就得將對象和類型轉換成低級數據結構。

Python為你這么做這項工作，你永遠看不到，也不需要操心。

不必聲明類型不是導致Python速度慢的原因，Python語言的設計使你能夠讓幾乎一切都是動態的。你可以通過猴子補丁（monkey-patch），加入對運行時聲明的值進行低級系統調用的代碼。幾乎一切都有可能。

正是這種設計使得優化Python異常困難。

為了說明我的觀點，我將使用可在Mac OS中使用的一種名為Dtrace的系統調用跟蹤工具。CPython發行版并未內置DTrace，所以你得重新編譯CPython。我使用3.6.6進行演示。

現在python.exe將在整個代碼中使用Dtrace跟蹤器。保羅?羅斯（Paul Ross）寫了一篇關于Dtrace的雜談（https://github.com/paulross/dtrace-py#the-lightning-talk）。你可以下載Python的DTrace啟動文件（https://github.com/paulross/dtrace-py/tree/master/toolkit）來測量函數調用、執行時間、CPU時間、系統調用和各種好玩的指標。比如

py_callflow跟蹤器顯示你應用程序中的所有函數調用。

那么，Python的動態類型會讓它變慢嗎？

• 比較和轉換類型的開銷很大，每次讀取、寫入或引用一個變量，都要檢查類型。
• 很難優化一種極具動態性的語言。Python的許多替代語言之所以快得多，原因在于它們為了性能在靈活性方面作出了犧牲。
• Cython 結合了C-Static類型和Python來優化類型已知的代碼，可以將性能提升84倍。

結論

Python之所以速度慢，主要是由于動態性和多功能性。它可用作解決各種問題的工具，Python有更優化、速度更快的幾個替代方案。

然而，有一些方法可以優化你的Python應用程序，比如通過充分利用異步、深入了解分析工具以及考慮使用多個解釋器。

對于啟動時間不重要、代碼會受益于JIT的應用程序來說，不妨考慮PyPy。

對于性能至關重要，又有更多靜態類型變量的部分代碼而言，不妨考慮使用Cython。