需求背景

進擊的Python

隨著人工智能的興起，Python這門曾經小眾的編程語言可謂是煥發(fā)了第二春。

以tensorflow、pytorch等為主的機器學習／深度學習的開發(fā)框架大行其道，助推了python這門曾經以爬蟲見長（python粉別生氣）的編程語言在TIOBE編程語言排行榜上一路披荊斬棘，坐上前三甲的寶座，僅次于Java和C，將C++、JavaScript、PHP、C#等一眾勁敵斬落馬下。

當然，軒轅君向來是不提倡編程語言之間的競爭對比，每一門語言都有自己的優(yōu)勢和劣勢，有自己應用的領域。
另一方面，TIOBE統(tǒng)計的數據也不能代表國內的實際情況，上面的例子只是側面反映了Python這門語言如今的流行程度。

Java 還是 Python

說回咱們的需求上來，如今在不少的企業(yè)中，同時存在Python研發(fā)團隊和Java研發(fā)團隊，Python團隊負責人工智能算法開發(fā)，而Java團隊負責算法工程化，將算法能力通過工程化包裝提供接口給更上層的應用使用。

可能大家要問了，為什么不直接用Java做AI開發(fā)呢？要弄兩個團隊。其實，現在包括TensorFlow在內的框架都逐漸開始支持Java平臺，用Java做AI開發(fā)也不是不行（軒轅君的前同事就已經在這樣做了），但限于歷史原因，做AI開發(fā)的人本就不多，而這一些人絕大部分都是Python技術棧入坑，Python的AI開發(fā)生態(tài)已經建設的相對完善，所以造成了在很多公司中算法團隊和工程化團隊使用不同的語言。

現在該拋出本文的重要問題：Java工程化團隊如何調用Python的算法能力？

答案基本上只有一個：Python通過Django/Flask等框架啟動一個Web服務，Java中通過Restful API與之進行交互

上面的方式的確可以解決問題，但隨之而來的就是性能問題。尤其是在用戶量上升后，大量并發(fā)接口訪問下，通過網絡訪問和Python的代碼執(zhí)行速度將成為拖累整個項目的瓶頸。

當然，不差錢的公司可以用硬件堆出性能，一個不行，那就多部署幾個Python Web服務。

那除此之外，有沒有更實惠的解決方案呢？這就是這篇文章要討論的問題。

給Python加速

尋找方向

上面的性能瓶頸中，拖累執(zhí)行速度的原因主要有兩個：

• 通過網絡訪問，不如直接調用內部模塊快
• Python是解釋執(zhí)行，快不起來

眾所周知，Python是一門解釋型腳本語言，一般來說，在執(zhí)行速度上：

解釋型語言 < 中間字節(jié)碼語言 < 本地編譯型語言

自然而然，我們要努力的方向也就有兩個：

• 能否不通過網絡訪問，直接本地調用
• Python不要解釋執(zhí)行

結合上面的兩個點，我們的目標也清晰起來：

將Python代碼轉換成Java可以直接本地調用的模塊

對于Java來說，能夠本地調用的有兩種：

• Java代碼包
• Native代碼模塊

其實我們通常所說的Python指的是CPython，也就是由C語言開發(fā)的解釋器來解釋執(zhí)行。而除此之外，除了C語言，不少其他編程語言也能夠按照Python的語言規(guī)范開發(fā)出虛擬機來解釋執(zhí)行Python腳本：

• CPython: C語言編寫的解釋器
• Jython: Java編寫的解釋器
• IronPython: .NET平臺的解釋器
• PyPy: Python自己編寫的解釋器（雞生蛋，蛋生雞)

Jython?

如果能夠在JVM中直接執(zhí)行Python腳本，與Java業(yè)務代碼的交互自然是最簡單不過。但隨后的調研發(fā)現，這條路很快就被堵死了：

• 不支持Python3.0以上的語法
• python源碼中若引用的第三方庫包含C語言擴展，將無法提供支持，如numpy等

這條路行不通，那還有一條：把Python代碼轉換成Native代碼塊，Java通過JNI的接口形式調用。

Python -> Native代碼

整體思路

先將Python源代碼轉換成C代碼，之后用GCC編譯C代碼為二進制模塊so/dll，接著進行一次Java Native接口封裝，使用Jar打包命令轉換成Jar包，然后Java便可以直接調用。

流程并不復雜，但要完整實現這個目標，有兩個關鍵問題需要解決：

1.Python代碼如何轉換成C代碼？

終于要輪到本文的主角登場了，將要用到的一個核心工具叫：Cython

請注意，這里的Cython和前面提到的CPython不是一回事。CPython狹義上是指C語言編寫的Python解釋器，是Windows、Linux下我們默認的Python腳本解釋器。

而Cython是Python的一個第三方庫，你可以通過pip install Cython進行安裝。

官方介紹Cython是一個Python語言規(guī)范的超集，它可以將Python+C混合編碼的.pyx腳本轉換為C代碼，主要用于優(yōu)化Python腳本性能或Python調用C函數庫。

聽上去有點復雜，也有點繞，不過沒關系，get一個核心點即可：Cython能夠把Python腳本轉換成C代碼

來看一個實驗：

# FileName: test.py
def test_function():
 print("this is print from python script")

將上述代碼通過Cython轉化，生成test.c，長這個樣子：

另外添加一個main.c，在其中實現C語言的main函數，并調用原python中的函數：

extern void test_function();
int main() {
 test_function();
 return 0;
}

輸出結果：

可以正常工作！

2.轉換后的C代碼如何包裝成JNI接口使用

實際動手

1.Python源代碼

def logic(param):
 print('this is a logic function')

# 接口函數，導出給Java Native的接口
def JNI_API_TestFunction(param):
 print("enter JNI_API_test_function")
 logic(param)
 print("leave JNI_API_test_function")

2.使用Cython工具轉換成C代碼

3.編譯生成動態(tài)庫

4.封裝為Jar包

準備一個JNI調用的Interface：JNITest.java

public class JNITest {
 native boolean Java_PkgName_module_initModule( );
 native void Java_PkgName_module_uninitModule( );
 native String Java_PkgName_module_TestFunction(String param);
}

這里有3個native方法：

• initModule: 對應C代碼中Java_JNITest_initModule(),主要完成Python初始化
• uninitModule: 對應C代碼中Java_JNITest_uninitModule(),主要完成Python反初始化
• TestFunction: 對應C代碼中的Java_JNITest_TestFunction(),為核心業(yè)務接口

接口聲明文件+二進制動態(tài)庫文件準備就緒，開始打包：

jar -cvf JNITest.jar ./JNITest

5.Java調用

關鍵問題

1.import問題

上面演示的案例只是一個單獨的py文件，而實際工作中，我們的項目通常是具有多個py文件，并且這些文件通常是構成了復雜的目錄層級，互相之間各種import關系，錯綜復雜。

Cython這個工具有一個最大的坑在于：經過其處理的文件代碼中會丟失代碼文件的目錄層級信息，如下圖所示，C.py轉換后的代碼和m/C.py生成的代碼沒有任何區(qū)別。

這就帶來一個非常大的問題：A.py或B.py代碼中如果有引用m目錄下的C.py模塊，目錄信息的丟失將導致二者在執(zhí)行import m.C時報錯，找不到對應的模塊！

幸運的是，經過實驗表明，在上面的圖中，如果A、B、C三個模塊處于同一級目錄下時，import能夠正確執(zhí)行。

軒轅君曾經嘗試閱讀Cython的源代碼，并進行修改，將目錄信息進行保留，使得生成后的C代碼仍然能夠正常import，但限于時間倉促，對Python解釋器機理了解不足，在一番嘗試之后選擇了放棄。

在這個問題上卡了很久，最終選擇了一種笨辦法：將樹形的代碼層級目錄展開成為平坦的目錄結構，就上圖中的例子而言，展開后的目錄結構變成了

A.py
B.py
m_C.py

單是這樣還不夠，還需要對A、B中引用到C的地方全部進行修正為對m_C的引用。

這看起來很簡單，但實際情況遠比這復雜，在Python中，import可不只有import這么簡單，有各種各樣復雜的形式：

import package
import module
import package.module
import module.class / function
import package.module.class / function
import package.*
import module.*
from module import *
from module import module
from package import *
from package import module
from package.module import class / function
...

除此之外，在代碼中還可能存在直接通過模塊進行引用的寫法。

展開成為平坦結構的代價就是要處理上面所有的情況！軒轅君無奈之下只有出此下策，如果各位大佬有更好的解決方案還望不吝賜教。

2.Python GIL問題

Python轉換后的jar包開始用于實際生產中了，但隨后發(fā)現了一個問題：

每當Java并發(fā)數一上去之后，JVM總是不定時出現Crash

隨后分析崩潰信息發(fā)現，崩潰的地方正是在Native代碼中的Python轉換后的代碼中。

• 難道是Cython的bug？
• 轉換后的代碼有坑？
• 還是說上面的import修正工作有問題？

崩潰的烏云籠罩在頭上許久，冷靜下來思考：
為什么測試的時候正常沒有發(fā)現問題，上線之后才會崩潰？

再次翻看崩潰日志，發(fā)現在native代碼中，發(fā)生異常的地方總是在malloc分配內存的地方，難不成內存被破壞了？
又敏銳的發(fā)現測試的時候只是完成了功能性測試，并沒有進行并發(fā)壓力測試，而發(fā)生崩潰的場景總是在多并發(fā)環(huán)境中。多線程訪問JNI接口，那Native代碼將在多個線程上下文中執(zhí)行。

猛地一個警覺：99%跟Python的GIL鎖有關系！

眾所周知，限于歷史原因，Python誕生于上世紀九十年代，彼時多線程的概念還遠遠沒有像今天這樣深入人心過，Python作為這個時代的產物一誕生就是一個單線程的產品。

雖然Python也有多線程庫，允許創(chuàng)建多個線程，但由于C語言版本的解釋器在內存管理上并非線程安全，所以在解釋器內部有一個非常重要的鎖在制約著Python的多線程，所以所謂多線程實際上也只是大家輪流來占坑。

原來GIL是由解釋器在進行調度管理，如今被轉成了C代碼后，誰來負責管理多線程的安全呢？

由于Python提供了一套供C語言調用的接口，允許在C程序中執(zhí)行Python腳本，于是翻看這套API的文檔，看看能否找到答案。

幸運的是，還真被我找到了：

獲取GIL鎖：

釋放GIL鎖：

在JNI調用入口需要獲得GIL鎖，接口退出時需要釋放GIL鎖。

加入GIL鎖的控制后，煩人的Crash問題終于得以解決！

測試效果

準備兩份一模一樣的py文件，同樣的一個算法函數，一個通過Flask Web接口訪問，（Web服務部署于本地127.0.0.1，盡可能減少網絡延時），另一個通過上述過程轉換成Jar包。

在Java服務中，分別調用兩個接口100次，整個測試工作進行10次，統(tǒng)計執(zhí)行耗時：

上述測試中，為進一步區(qū)分網絡帶來的延遲和代碼執(zhí)行本身的延遲，在算法函數的入口和出口做了計時，在Java執(zhí)行接口調用前和獲得結果的地方也做了計時，這樣可以計算出算法執(zhí)行本身的時間在整個接口調用過程中的占比。

• 從結果可以看出，通過Web API執(zhí)行的接口訪問，算法本身執(zhí)行的時間只占到了30%+，大部分的時間用在了網絡開銷（數據包的收發(fā)、Flask框架的調度處理等等）。
• 而通過JNI接口本地調用，算法的執(zhí)行時間占到了整個接口執(zhí)行時間的80%以上，而Java JNI的接口轉換過程只占用10%+的時間，有效提升了效率，減少額外時間的浪費。
• 除此之外，單看算法本身的執(zhí)行部分，同一份代碼，轉換成Native代碼后的執(zhí)行時間在300~500μs，而CPython解釋執(zhí)行的時間則在2000~4000μs，同樣也是相差懸殊。

總結

本文提供了一種Java調用Python功能的新思路，僅供參考，其成熟度和穩(wěn)定性還有待商榷，通過HTTP Restful接口訪問仍然是跨語言對接的首選。

到此這篇關于Python代碼一鍵轉Jar包及Java調用Python新姿勢的文章就介紹到這了,更多相關Python轉Jar包內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論