热度碾压 Java、C 、C++的 Python，为什么速度那么慢？
同为程序员的心头好，Python 为什么能这么慢？
眼下 Python 异常火爆，不论是 DevOps、数据科学、Web 开发还是安全领域，都在用 Python——但是它在速度上却没有任何优势。
与 C、C++、C# 或 Python 相比，Java 的速度如何？答案很大程度上依赖于你需要运行的应用种类。世上没有完美的性能测试，但计算机语言评测游戏（Computer Language Benchmarks Game）是个很好的测试方式：http://algs4.cs.princeton.edu/faq/。
我从十年前就开始谈论计算机语言评测游戏。与 Java、C#、Go、JavaScript、C++ 等其他语言相比，Python 是最慢的语言之一。这里包括JIT（Just In Time）语言（如C#、Java）和 AOT（Ahead Of Time）语言（C、C++）编译器，也有 JavaScript 这种解释语言。
注：本文中所说的“Python”是指语言的具体实现，即 CPython。本文也会提到其他运行。
我希望回答以下问题：如果 Python 完成相同的任务要花费其他语言二至十倍的时间，那么它为什么慢，能不能更快一些呢？
以下是几种常见的原因：
- “因为它是GIL（全局解释器锁）”
- “因为它是解释语言不是编译语言”
- “因为它是动态类型语言”
究竟哪个原因对性能的影响最大？
“因为它是GIL”
现代计算机的 CPU 有多个核心，有时甚至有多个处理器。为了利用所有计算能力，操作系统定义了一个底层结构，叫做线程，而一个进程（例如 Chrome浏览器）能够生成多个线程，通过线程来执行系统指令。这样如果一个进程是要使用很多 CPU，那么计算负载就会由多个核心分担，最终使得绝大多数应用能更快地完成任务。
在撰写本文时，我的 Chrome 浏览器开了 44 个线程。另外，基于 POSIX 的操作系统（如 Mac OS 和 Linux）的线程结构和 API 与 Windows 操作系统是不一样的。操作系统还负责线程的调度。
如果你没写过多线程程序，那么你应该了解一下锁的概念。与单线程进程不同，在多线程编程中，你要确保改变内存中的变量时，多个线程不会试图同时修改或访问同一个内存地址。
CPython 在创建变量时会分配内存，然后用一个计数器计算对该变量的引用的次数。这个概念叫做“引用计数”。如果引用的数目为 0，那就可以将这个变量从系统中释放掉。这样，创建“临时”变量（如在 for 循环的上下文环境中）不会耗光应用程序的内存。
随之而来的问题就是，如果变量在多个线程中共享，CPython 需要对引用计数器加锁。有一个“全局解释器锁”会谨慎地控制线程的执行。不管有多少个线程，解释器一次只能执行一个操作。
这对 Python 应用的性能有什么影响？
如果应用程序是单线程、单解释器的，那么这不会对速度有任何影响。去掉 GIL 也不会影响代码的性能。
但如果想用一个解释器（一个 Python 进程）通过线程实现并发，而且线程是IO 密集型的（即有很多网络输入输出或磁盘输入输出），那么就会出现下面这种 GIL 竞争：
来自于David Beazley的“图解GIL”一文：http://dabeaz.blogspot.com/2010/01/python-gil-visualized.html
如果 Web 应用（如 Django）使用了 WSGI，那么发往 Web 应用的每个请求都会由独立的 Python 解释器执行，因此每个请求都只会有一个锁。由于 Python 解释器启动很慢，一些 WSGI 实现就支持“守护模式”，保持 Python 进程长期运行。
其他 Python 运行时如何？
PyPy 的 GIL 通常要比 CPython 快三倍以上。
Jython 没有 GIL 因为 Jython 中的 Python 线程由 Java 线程表示，因此能享受到 JVM 内存管理系统的好处。
JavaScript 怎么处理这个问题i？
首先，所有 JavaScript 引擎都是用标记-清除垃圾回收算法。如前所述，对 GIL 的需求主要是由 CPython 的内存管理算法导致的。
JavaScript 没有 GIL，但它也是单线程的，所以它根本不需要。JavaScript 的时间循环和 Promise/Callback 模式实现了异步编程，取代了并发编程。Python 也能通过 asyncio 的事件循环实现类似的模式。
“因为它是解释语言”
这条理由我也听过很多，我发现它过于简化了 CPython 的实际工作原理。当你在终端上写 python myscript.py 时，CPython 会启动一长串操作，包括读取、词法分析、语法分析、编译、解释以及执行。
如果你对这些过程感兴趣，可以看看我之前写的文章：
6分钟修改Python语言：https://hackernoon.com/modifying-the-python-language-in-7-minutes-b94b0a99ce14
这个过程的重点就是它会在编译阶段生成.pyc文件，字节码会写到__pycache__/下的文件中（如果是Python 3），或者写到与源代码同一个目录中（Python 2）。不仅你编写的脚本是这样，所有你导入的代码都是这样，包括第三方模块。
因此绝大多数情况下（除非你写的代码只会运行一次），Python是在解释字节码并在本地执行。与Java和C#.NET比较一下：
Java将源代码编译成“中间语言”，然后Java虚拟机读取字节码并即时编译成机器码。.NET CIL也是一样的，.NET的公共语言运行时（CLR）使用即时编译将字节码编译成机器码。
那么，既然它们都使用虚拟机，以及某种字节码，为什么Python在性能测试中比Java和C#慢那么多？第一个原因是，.NET和Java是即时编译的（JIT）。
即时编译，即JIT（Just-in-time），需要一种中间语言，将代码分割成小块（或者称帧）。而提前编译（Ahead of Time，简称AOT）是编译器把源代码翻译成CPU能理解的代码之后再执行。
JIT本身并不能让执行更快，因为它执行的是同样的字节码序列。但是，JIT可以在运行时做出优化。好的GIT优化器能找到应用程序中执行最多的部分，称为“热点”。然后对那些字节码进行优化，将它们替换成效率更高的代码。
这就是说，如果你的应用程序会反复做某件事情，那么速度就会快很多。此外，别忘了Java和C#都是强类型语言，所以优化器可以对代码做更多的假设。
前面说过，PyPy有个JIT，因此它比CPython要快很多。下面这篇性能测试的文章介绍得更详细：
哪个版本的Python最快？
https://hackernoon.com/which-is-the-fastest-version-of-python-2ae7c61a6b2b
那么为什么CPython不用JIT？
JIT也有缺点：首先就是启动速度。CPython的启动速度已经比较慢了，而PyPy的启动速度要比CPython慢两到三倍。Java虚拟机的启动速度也是出了名的慢。.NET CLR在系统启动时启动，因此避免了这个问题，但这要归功于CLR和操作系统是同一拨开发者开发的。
如果你有一个Python进程需要运行很长时间，而且代码里包含“热点”可以被优化，那么使用JIT就很不错。
但是，CPython是个通用的实现。因此如果要用Python开发命令行程序，那么每次都要等待JIT调用CLI就特别慢了。
CPython试图满足大部分情况下的需求。有一个在CPython中实现JIT（https://www.slideshare.net/AnthonyShaw5/pyjion-a-jit-extension-system-for-cpython）的项目，不过这个项目已经停止很久了。
如果你想要享受JIT的好处，并且要处理的任务适合JIT，那就使用PyPy。
“因为它是动态类型语言”
“静态类型”语言要求必须在变量定义时指定其类型，例如C、C++、Java、C#和Go等。
而动态类型语言中尽管也有类型的概念，但变量的类型是动态的。
a = 1
a = "foo"
在这个例子中，Python用相同的名字和str类型定义了第二个变量，同时释放了第一个a的实例占用的内存。
静态类型语言的设计目的并不是折磨人，这样设计是因为CPU就是这样工作的。如果任何操作最终都要转化成简单的二进制操作，那就需要将对象和类型都转换成低级数据结构。
Python帮你做了这一切，只不过你从来没有关心过，也不需要关心。
不需要定义类型并不是Python慢的原因。Python的设计可以让你把一切都做成动态的。你可以在运行时替换对象的方法，可以在运行时给底层系统调用打补丁。几乎一切都有可能。
而这种设计使得Python的优化变得很困难。
为了演示这个观点，我使用了一个Mac OS下的系统调用跟踪工具，叫做Dtrace。CPython的发布并不支持DTrace，因此需要重新编译CPython。演示中用的是Python 3.6.6：
wget https://github.com/python/cpython/archive/v3.6.6.zip
unzip v3.6.6.zip
cd v3.6.6
./configure --with-dtrace
make
现在Python.exe的代码中包含了Dtrace的跟踪代码。Paul Ross有一篇非常好的关于DTrace的演讲（https://github.com/paulross/dtrace-py#the-lightning-talk）。可以从这里下载DTrace用于Python的文件（https://github.com/paulross/dtrace-py/tree/master/toolkit）用来测量函数调用、执行时间、CPU时间、系统调用以及各种函数等等。
sudo dtrace -s toolkit/<tracer>.d -c ‘../cpython/python.exe script.py’
py_callflow跟踪器会显示应用程序的所有函数调用。
- 那么，Python的动态类型是否让Python更慢？
- 比较并转换类型的代价很大。每次读取、写入或引用变脸时都会检查类型
- 动态类型的语言很难优化。许多替代Python的语言很快的原因就是它们牺牲了便利性来交换性能。
- 例如Cython（http://cython.org/），它通过结合C的静态类型和Python的方式，使得代码中的类型已知，从而优化代码，能够获得84倍的性能提升（http://notes-on-cython.readthedocs.io/en/latest/std_dev.html）
结论
Python慢的主要原因是因为它的动态和多样性。它能用于解决各种问题，但多数问题都有优化得更好和更快的解决方案。
但Python应用也有许多优化措施，如使用异步、理解性能测试工具，以及使用多解释器等。
对于启动时间不重要，而代码可能享受到JIT的好处的应用，可以考虑使用PyPy。
对于代码中性能很重要的部分，如果变量大多是静态类型，可以考虑使用Cython。
扩展阅读
- Jake VDP的文章（尽管有些过时了）：https://jakevdp.github.io/blog/2014/05/09/why-python-is-slow/
- Dave Beazley关于GIL的演讲：http://www.dabeaz.com/python/GIL.pdf
- 关于JIT编译器的一切：https://hacks.mozilla.org/2017/02/a-crash-course-in-just-in-time-jit-compilers/
原文：https://hackernoon.com/why-is-python-so-slow-e5074b6fe55b
作者：Anthony Shaw，Dimension Data的人才总监，Python软件基础和Apache基础的会员。
译者：弯月，责编：屠敏
“征稿啦”
CSDN 公众号秉持着「与千万技术人共成长」理念，不仅以「极客头条」、「畅言」栏目在第一时间以技术人的独特视角描述技术人关心的行业焦点事件，更有「技术头条」专栏，深度解读行业内的热门技术与场景应用，让所有的开发者紧跟技术潮流，保持警醒的技术嗅觉，对行业趋势、技术有更为全面的认知。
如果你有优质的文章，或是行业热点事件、技术趋势的真知灼见，或是深度的应用实践、场景方案等的新见解，欢迎联系 CSDN 投稿，联系方式：微信（guorui_1118，请备注投稿+姓名+公司职位），邮箱（[email protected]）。