如何解决Python多线程与速度的问题？
极客时间编辑部
讲述：丁婵大小：2.28M时长：04:58
Python 的性能问题一直是支持者心中的痛，虽然这并不算什么致命缺陷，只能说是 Python 普及道路上的一点障碍；但随着 Julia、Nim、Rust 以及 Go 等其他竞争语言的崛起，解决该问题已经成为 Python 的燃眉之急。此前，技术作者塞尔达·耶古拉普（Serdar Yegulalp）将列出了业界对 Python 性能问题的解决方案，以供开发者参考。
问题：Python 的总体性能较慢，有限的线程与孱弱的多处理能力成为其未来发展的主要障碍。
Python 长期以来一直更重视编程速度，而非运行速度。考虑到很多开发者习惯于利用 C 或 C++ 编写高速外部库以执行 Python 下的性能密集型任务，这样的权衡似乎也没什么大不了。但问题在于，Python 的开箱性能仍然落后于其它语法同样简单但能够编译为机器码的语言。
Python 当中历史最悠久的性能问题之一，在于其对多核心或处理器的资源使用能力不佳。虽然 Python 确实具有线程功能，但却仅限于单一核心。此外，Python 也会尝试通过启动其运行时的子实例以支持多处理，但是针对这些子进程结果的调度与同步往往效率不高。
解决方案：目前，还没有某一种自上而下的整体性解决方案，能够直接搞定 Python 的性能问题。不过，现在已经出现了一系列用于加速 Python 的尝试，其各自都在特定领域做出了一定改进。
比如改进 CPython 的子解释器功能。 Python 解释器实例的新编程接口现在可以在各解释器之间实现优雅的数据共享，从而实现多核处理。现在，这项提案已经确定将在 Python 3.9 中面世，相信其还将在后续版本中继续发挥重要作用。
在 Python 之外，也有不少外部项目带来了新的性能提升方法，但同样仅限于特定问题：
PyPy。另一种 Python 解释器，PyPy 能够将 Python 即时编译为本机机器码。它在纯 Python 项目当中发挥出色，现在也能很好地兼容比较流行的二进制相关库，例如 NumPy。但其一般更适合长期运行的服务，而非一次性应用程序。
Cython。 Cython 允许用户逐步将 Python 代码转换为 C 代码。该项目最初是专为科学与数值计算所设计的，但却能够在大多数场景下起效。Cython 最大的缺点在于语法，其使用了独有的语法设置，且转换只能单向进行。Cython 最适合处理“热点”部分代码，这种有针对性的优化方式往往比应用程序整体优化要更合理、也更可行。
Numba。 Numba 的即时编译功能可以面向选定功能将 Python 代码编译为机器码。与 Cython 类似，Numba 同样主要用于科学计算，其比较适合就地运行而非对代码进行重新发布。
Mypyc。Mypyc 项目目前仍在开发当中，其希望将带有 mypy 类型注释的 Python 代码转换为 C 代码。Mypyc 很有前途，因为其使用到 Python 中的众多原生类型，但目前距离生产应用还有很长的路要走。
经过优化的 Python 发行版。某些第三方 Python 版本（例如英特尔的 Python 发行版）拥有可充分发挥英特尔处理器扩展（例如 AVX512）优势的数学与统计库。需要注意的是，尽管其能够显著加快特定数学函数的执行速度，但却无法实现全面的速度提升。
有经验的 Python 程序员一定还会提到全局解释器锁（GIL）的问题，其负责对指向对象的访问进行序列化，以确保不同线程不会彼此影响到对方的工作负载。从理论上讲，放弃 GIL 可以提高性能。然而，无 GIL Python 基本上丧失了向下兼容能力（特别是在 Python C 扩展方面）。因此到目前为止，所有移除 GIL 的尝试要么已经走进死胡同，要么反而降低了 Python 的性能。
目前另一个正在推进的 Python 计划有望解决不少速度方面的问题，即重构 Python 内部的 C API 实现。从长远来看，提升 API 集的有序程度可以带来诸多性能改进：重新设计或者剔除 GIL、提供可实现强大即时编译的 hook、在解释器实例之间使用更好的数据联合方法等等。
以上就是今天的内容，希望对你有所帮助。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
该免费文章来自《极客视点》，如需阅读全部文章，
请先领取课程
请先领取课程
免费领取
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论