聊聊Python中的pypy
PyPy是一个虚拟机项目，主要分为两部分：一个Python的实现和 一个编译器
PyPy的第一部分: 用Python实现的Python
其实这么说并不准确，准确得说应该是用rPython实现的Python，rPython是Python的一个子集，虽然rPython不是完整的Python，但用rPython写的这个Python实现却是可以解释完整的Python语言。
PyPy的第二部分：编译器
这是一个编译rPython的编译器，或者说这个编译器有一个rPython的前端，目前也只有这么一个前端，不过它的后端却是不少，也就是说这个编译器支持许多的目标语言，比较重要的有：C，CIL，JavaScript...
第一部分看成pypy(1)第二部分看成pypy(2)
为什么你在同一层面下同时需要这两者？你可以这样想一下：PyPy(1)是一个用RPython写的解释器，因此它能加载用户的Python代码并将它编译成字节码。但是这个用RPython写的解释器本身要能运行，就必须要被另外一个Python实现去解释。我们可以直接用CPython去.运行这个解释器。但是这个还不够快取而代之，我们使用了PyPy(2)去编译这个PyPy的解释器，生成其他平台（比如C,JVM或CLI）代码在我们的机器上运行，并且还加入了JIT特性。JIT能够把字节码转换成机器语言，pypy之所以快，是因为它整合了JIT跟踪技术的优化编译器。
pypy性能测试
Cpython2.7.6，pyston0.2，pypy2.2.1的性能对比，使用的是pyston源代码目录下的minibenchmarks和microbenchmarks中
的python代码来跑，对比结果如下表所示
|
| Cpython2.7.6 | pyston0.2 | |
| microbenchmarks | |||
| attribute_lookup.py | 258.544s | 200.387s | 2.667s |
| attrs.py | 0.622s | 1.658s | 0.086s |
| closures.py | 0.485s | 6.658s | 0.058s |
| empty_loop.py | 3.532s | 19.248s | 0.248s |
| fib2.py | 3.375s | 0.669s | 0.804s |
| fib.py | 3.696s | 0.636s | 0.864s |
| function_calls.py | 5.283s | 0.878s | 0.303s |
| gcj_2014_2_b.py | 1.527s | 45.803s | 0.276s |
| gcj_2014_3_b.py | 0.022s | 0.174s | 0.069s |
| iteration.py | 0.185s | 1.242s | 0.062s |
| lcg.py | 2.910s | 9.097s | 0.235s |
| listcomp_bench.py | 10.132s | 56.170s | 1.379s |
| nested.py | 0.368s | 6.828s | 0.057s |
| polymorphism.py | 4.358s | 4.390s | 14.260s |
| prime_summing.py | 20.197s | 43.779s | 1.250s |
| pydigits.py | 0.034s | Failed | 0.039s |
| repatching.py | 0.475s | 0.384s | 0.061s |
| simple_sum.py | 0.075s | 0.578s | 0.040s |
| sort.py | 2.216s | 4.587s | 0.135s |
| thread_contention.py | 6.486s | 8.133s | 0.240s |
| thread_uncontended.py | 1.324s | 5.823s | 0.238s |
| unwinding.py | 1.082s | 93.180s | 4.481s |
| vecf_add.py | 9.890s | Failed | 0.059s |
| vecf_dot.py | 4.944s | 8.434s | 0.062s |
| minibenchmarks | |||
| allgroup.py | 0.836s | Failed | 18.804s |
| chaos.py | 26.268s | Failed | 1.392s |
| fannkuch_med.py | 0.990s | 1.898s | 0.325s |
| fannkuch.py | 10.952s | 20.834s | 2.057s |
| Go.py | 53.787s | Failed | 33.638s |
| interp2.py | 5.521s | 10.124s | 0.701s |
| interp.py | 10.863s | 5.035s | 0.563s |
| nbody_med.py | 3.132s | 6.642s | 0.601s |
| nbody.py | 12.677s | 25.540s | 1.470s |
| nq.py | 29.879s | Failed | 44.418s |
| raytrace.py | 11.608s | Failed | 1.228s |
| spectral_norm.py: | 14.388s | 118.309s | 1.333s |
pypy编译除了有颜色背景的数据，其它测试结果基本都是最快的，其中15个程序代码测试结果所花时间不到Cpython的十分之一
pypy的缺陷
可以看出pypy实现python有很大的优势，但是目前来说很多公司的python项目仍然没有采用pypy来实现，原因是
pypy有一个缺陷：C扩展性弱，简单理解就是python程序中如果混合了C/C++代码，调用了C/C++的库，就会导pypy
不支持或者pypy运行速度变慢很多。而现在很多项目都是采用C/C++/Python混合编程。
但是pypy也有自己的兼容C/C++的方法(但是没有完全解决扩展性弱的问题），pypy有ctypes和cffi两种方式来
进行C扩展，以下是一些简单程序实验：
用ctypes的方式实现C++，python混合编程，先写一个.cpp然后在python文件中调用它，最后用Cpython，和pypy分别编译执行都可以跑,说明ctypes是支持C++扩展的
这次用pypy跑的速度就要Cpython不少了
总结
以上就是本文关于聊聊Python中的pypy的全部内容，希望对大家有所帮助。感兴趣的朋友可以继续参阅本站其他相关专题，如有不足之处，欢迎留言指出。感谢朋友们对本站的支持！