當(dāng)我們提到一門編程語(yǔ)言的效率時(shí)：通常有兩層意思，第一是開發(fā)效率，這是對(duì)程序員而言，完成編碼所需要的時(shí)間；另一個(gè)是運(yùn)行效率，這是對(duì)計(jì)算機(jī)而言，完成計(jì)算任務(wù)所需要的時(shí)間。編碼效率和運(yùn)行效率往往是魚與熊掌的關(guān)系，是很難同時(shí)兼顧的。不同的語(yǔ)言會(huì)有不同的側(cè)重，python語(yǔ)言毫無(wú)疑問更在乎編碼效率，life is short，we use python。

雖然使用python的編程人員都應(yīng)該接受其運(yùn)行效率低的事實(shí)，但python在越多越來(lái)的領(lǐng)域都有廣泛應(yīng)用，比如科學(xué)計(jì)算 、web服務(wù)器等。程序員當(dāng)然也希望python能夠運(yùn)算得更快，希望python可以更強(qiáng)大。

首先，python相比其他語(yǔ)言具體有多慢，這個(gè)不同場(chǎng)景和測(cè)試用例，結(jié)果肯定是不一樣的。這個(gè)網(wǎng)址給出了不同語(yǔ)言在各種case下的性能對(duì)比，這一頁(yè)是python3和C++的對(duì)比，下面是兩個(gè)case：

從上圖可以看出，不同的case，python比C++慢了幾倍到幾十倍。

python運(yùn)算效率低，具體是什么原因呢，下列羅列一些：

第一：python是動(dòng)態(tài)語(yǔ)言

一個(gè)變量所指向?qū)ο蟮念愋驮谶\(yùn)行時(shí)才確定，編譯器做不了任何預(yù)測(cè)，也就無(wú)從優(yōu)化。舉一個(gè)簡(jiǎn)單的例子：　r = a + b?！和b相加，但a和b的類型在運(yùn)行時(shí)才知道，對(duì)于加法操作，不同的類型有不同的處理，所以每次運(yùn)行的時(shí)候都會(huì)去判斷a和b的類型，然后執(zhí)行對(duì)應(yīng)的操作。而在靜態(tài)語(yǔ)言如C++中，編譯的時(shí)候就確定了運(yùn)行時(shí)的代碼。

另外一個(gè)例子是屬性查找，關(guān)于具體的查找順序在《python屬性查找》中有詳細(xì)介紹。簡(jiǎn)而言之，訪問對(duì)象的某個(gè)屬性是一個(gè)非常復(fù)雜的過程，而且通過同一個(gè)變量訪問到的python對(duì)象還都可能不一樣（參見Lazy property的例子）。而在C語(yǔ)言中，訪問屬性用對(duì)象的地址加上屬性的偏移就可以了。

第二：python是解釋執(zhí)行，但是不支持JIT（just in time compiler）。雖然大名鼎鼎的google曾經(jīng)嘗試Unladen Swallow 這個(gè)項(xiàng)目，但最終也折了。

第三：python中一切都是對(duì)象，每個(gè)對(duì)象都需要維護(hù)引用計(jì)數(shù)，增加了額外的工作。

第四：python GIL，GIL是Python最為詬病的一點(diǎn)，因?yàn)镚IL，python中的多線程并不能真正的并發(fā)。如果是在IO bound的業(yè)務(wù)場(chǎng)景，這個(gè)問題并不大，但是在CPU BOUND的場(chǎng)景，這就很致命了。所以筆者在工作中使用python多線程的情況并不多，一般都是使用多進(jìn)程（pre fork），或者在加上協(xié)程。即使在單線程，GIL也會(huì)帶來(lái)很大的性能影響，因?yàn)閜ython每執(zhí)行100個(gè)opcode（默認(rèn)，可以通過sys.setcheckinterval()設(shè)置）就會(huì)嘗試線程的切換，具體的源代碼在ceval.c::PyEval_EvalFrameEx。

 第五：垃圾回收，這個(gè)可能是所有具有垃圾回收的編程語(yǔ)言的通病。python采用標(biāo)記和分代的垃圾回收策略，每次垃圾回收的時(shí)候都會(huì)中斷正在執(zhí)行的程序，造成所謂的頓卡。infoq上有一篇文章，提到禁用Python的GC機(jī)制后，Instagram性能提升了10%。感興趣的讀者可以去細(xì)讀。

內(nèi)容擴(kuò)展

關(guān)于python運(yùn)行效率的分析：

如果每次你創(chuàng)建一個(gè)應(yīng)用程序都是用相同的編碼方法，幾乎肯定會(huì)導(dǎo)致一些你的應(yīng)用程序比它能夠達(dá)到的運(yùn)行效率慢的情況。作為分析過程的一部分，你可以嘗試一些實(shí)驗(yàn)。例如，在一個(gè)字典中管理一些元素，你可以采用安全的方法確定元素是否已經(jīng)存在并更新，或者你可以直接添加元素，然后作為異常處理該元素不存在情況?？紤]第一個(gè)編碼的例子：

n = 16
myDict = {}
for i in range(0, n):
 char = 'abcd'[i%4]
 if char not in myDict:
  myDict[char] = 0
  myDict[char] += 1
  print(myDict)

這段代碼通常會(huì)在myDict開始為空時(shí)運(yùn)行得更快。然而，當(dāng)mydict通常被數(shù)據(jù)填充（或者至少大部分被充填）時(shí)，另一種方法效果更好。

n = 16
myDict = {}
for i in range(0, n):
 char = 'abcd'[i%4]
 try:
  myDict[char] += 1
 except KeyError:
  myDict[char] = 1
 print(myDict)

兩種情況下具有相同的輸出：{‘d': 4, ‘c': 4, ‘b': 4, ‘a(chǎn)': 4}。唯一的不同是這個(gè)輸出是如何得到的。跳出固定的思維模式，創(chuàng)造新的編碼技巧，能夠幫助你利用你的應(yīng)用程序獲得更快的結(jié)果。

最新評(píng)論