作者：Anthony Shaw 是 Python 軟體基金會成員和 Apache 基金會成員。

近來Python可謂人氣驟升。這門程式語言用於開發運維（DevOps）、資料科學、網站開發和安全。

然而，它沒有因速度而贏得任何獎牌。

Java在速度方面與C、C++、C#或Python相比如何？答案很大程度上取決於你執行的應用程式的型別。沒有哪個基準測試程式盡善盡美，不過The Computer Language Benchmarks Game（計算機語言基準測試遊戲）是個不錯的起點。

十多年來，我一直提到計算機語言基準測試遊戲；與Java、C#、Go、JavaScript和C++等其他語言相比，Python是速度最慢的語言之一。除了JavaScript等解釋語言外，這還包括JIT（C#和Java）以及AOT（C和C++）編譯器。

注意：我說“Python”時，其實指這種語言的參考實現：CPython。我會在本文中提到其他執行時環境。

我想回答這個問題：Python執行完成類似的應用程式比另一種語言慢2倍至10倍時，為什麼它這麼慢，我們能不能讓它更快些？

下面是幾種常見的說法：

• “它是GIL（全域性直譯器鎖）”

• “這是由於它是解釋的，而非編譯”

• “這是由於它是一種動態型別語言”

那麼，到底上述哪個原因對效能帶來的影響最大？

“它是GIL”

現代計算機搭載擁有多個核心的CPU，有時搭載多個處理器。為了利用所有這些額外的處理能力，作業系統定義了一種名為執行緒的低階結構：一個程序（比如Chrome瀏覽器）可能生成多個執行緒，並擁有針對內部系統的指令。這樣一來，如果某個程序特別耗費CPU資源，該負載可以在諸多核心之間分擔，這實際上讓大多數應用程式更快地完成任務。

我在寫這篇文章時，我的Chrome瀏覽器有44個執行緒開著。請記住這點：執行緒的結構和API在基於POSIX的作業系統（比如Mac OS和Linux）與Windows OS之間是不同的。作業系統還處理執行緒的排程。

如果你之前沒有從事過多執行緒程式設計，需要儘快熟悉的一個概念就是鎖（lock）。與單執行緒程序不同，當你需要確保改變記憶體中的變數時，多個執行緒並不同時試圖訪問/改變同樣的記憶體地址。

CPython建立變數時，它會分配記憶體，然後計算該變數的引用有多少，這個概念名為引用計數（reference counting）。如果引用數為0，那麼它從系統釋放這部分記憶體。這就是為什麼在某個程式碼段（比如for迴圈的範圍）內建立一個“臨時”變數不會搞砸應用程式的記憶體消耗。

當變數在多個執行緒內共享時，就出現了這個難題：CPython如何鎖定引用計數。有一個“全域性直譯器鎖”，它小心地控制執行緒執行。直譯器一次只能執行一個操作，無論它有多少執行緒。

這對Python應用程式的效能來說意味著什麼？

如果你有單執行緒、單個直譯器的應用程式，這對速度不會有影響。刪除GIL根本不會影響你程式碼的效能。

如果你想通過使用執行緒機制在單個直譯器（Python程序）內實現併發功能，而且執行緒是IO密集型（比如網路IO或磁碟IO），你會看到GIL爭奪的後果。

上圖來自大衛•比茲利（David Beazley）撰寫的《GIL視覺化》文章：http://dabeaz.blogspot.com/2010/01/python-gil-visualized.html

如果你有Web應用程式（比如Django），又在使用WSGI，那麼針對Web應用程式的每個請求都是一個單獨的Python直譯器，所以每個請求只有一個鎖。由於Python直譯器啟動緩慢，一些WSGI實現擁有“守護程序模式”，這可以讓一個或多個Python程序為你保持活躍狀態。

其他Python執行時環境怎麼樣？

PyPy有一個GIL，它通常比CPython快3倍。

Jython之所以沒有GIL，是由於Jython中的Python執行緒由Java執行緒表示，受益於JVM記憶體管理系統。

JavaScript如何執行此任務？

好吧，首先所有Javascript引擎都使用標記-清除（mark-and-sweep）垃圾收集機制。如上所述，GIL的主要需求是CPython的記憶體管理演算法。

JavaScript沒有GIL，但它也是單執行緒的，所以它不需要記憶體管理演算法。JavaScript的事件迴圈和承諾回撥（Promise/Callback）模式是實現非同步程式設計以代替併發的方法。Python與asyncio事件迴圈有相似之處。

“這是由於它一種解釋語言”

我常聽到這個觀點，但覺得這過於簡化了CPython的實際工作方式。如果你在終端上編寫了python myscript.py，那麼CPython會啟動讀取、分析、解析、編譯、解釋和執行程式碼的一長串操作。

如果你對這個過程的機理頗感興趣，我之前寫過一篇文章：《6分鐘內修改Python語言》（https://hackernoon.com/modifying-the-python-language-in-7-minutes-b94b0a99ce14）。

這個過程的一個重要節點是建立.pyc檔案；在編譯階段，位元組碼序列寫入到Python 3中__pycache__/裡面的一個檔案或Python 2中的同一個目錄。這不僅適用於你的指令碼，還適用於匯入的所有程式碼，包括第三方模組。

所以在大部分時間（除非你編寫的是隻執行一次的程式碼？），Python解釋位元組碼，並在本地執行。相比之下Java和C#.NET：

Java編譯成一種“中間語言”，Java虛擬機器讀取位元組碼，並即時編譯成機器碼。.NET CIL也一樣，.NET公共語言執行時環境（CLR）使用即時編譯，將編譯後代碼編譯成機器碼。

那麼，既然都使用虛擬機器和某種位元組碼，為什麼Python在基準測試中比Java和C#都要慢得多呢？首先，.NET和Java是JIT編譯型的。

JIT或即時編譯需要一種中間語言，以便將程式碼拆分成塊（或幀）。提前（AOT）編譯器旨在確保CPU在任何交互發生之前能理解每一行程式碼。

JIT本身不會使執行變得更快，因為它仍然執行相同的位元組碼序列。然而，JIT讓程式碼在執行時能夠加以優化。一個好的JIT優化器會看到應用程式的哪些部分在頻繁執行，這些程式碼稱之為“熱點程式碼”（hot spot）。然後，它會對這些程式碼進行優化，其辦法是把它們換成更高效的版本。

這就意味著當你的應用程式一次又一次地執行相同的操作時，執行速度可以顯著加快。另外記住一點：Java和C#是強型別語言，因此優化器可以對程式碼做出多得多的假設。

PyPy有JIT，如上所述，其速度比CPython快得多。這篇效能基準測試文章作了更詳細的介紹：《哪個Python版本的速度最快？》（https://hackernoon.com/which-is-the-fastest-version-of-python-2ae7c61a6b2b）。

那麼，CPython為什麼不使用JIT呢？

JIT存在幾個缺點：缺點之一是啟動時間。CPython的啟動時間已經比較慢了，PyPy的啟動時間比CPython還要慢2倍至3倍。眾所周知，Java虛擬機器的啟動速度很慢。.NET CLR通過系統開啟時啟動解決了這個問題，但CLR的開發人員還開發了作業系統，CLR在它上面執行。

如果你有一個Python程序長時間執行，程式碼因含有“熱點程式碼”而可以優化，那麼JIT大有意義。

然而，CPython是一種通用實現。所以，如果你在使用Python開發命令列應用程式，每次呼叫CLI都得等待JIT啟動會慢得要命。

CPython不得不試圖滿足儘可能多的用例（use case）。之前有人試過將JIT插入到CPython中，但這個專案基本上擱淺了。

如果你想獲得JIT的好處，又有適合它的工作負載，不妨使用PyPy。

“這是由於它是一種動態型別語言”

在“靜態型別”語言中，你在宣告變數時必須指定變數的型別。這樣的語言包括C、C++、Java、C#和Go。

在動態型別語言中，仍然存在型別這個概念，但變數的型別是動態的。

a = 1
a = "foo"

在這個示例中，Python建立了一個有相同名稱、str型別的第二個變數，並釋放為a的第一個例項建立的記憶體。

靜態型別語言不是為了給你添堵而設計的，它們是兼顧CPU的執行方式設計的。如果一切最終需要等同於簡單的二進位制操作，你就得將物件和型別轉換成低階資料結構。

Python為你這麼做這項工作，你永遠看不到，也不需要操心。

不必宣告型別不是導致Python速度慢的原因，Python語言的設計使你能夠讓幾乎一切都是動態的。你可以通過猴子補丁（monkey-patch），加入對執行時宣告的值進行低階系統呼叫的程式碼。幾乎一切都有可能。

正是這種設計使得優化Python異常困難。

為了說明我的觀點，我將使用可在Mac OS中使用的一種名為Dtrace的系統呼叫跟蹤工具。CPython發行版並未內建DTrace，所以你得重新編譯CPython。我使用3.6.6進行演示。

wget https://github.com/python/cpython/archive/v3.6.6.zip
unzip v3.6.6.zip
cd v3.6.6
./configure --with-dtrace
make

現在python.exe將在整個程式碼中使用Dtrace跟蹤器。保羅•羅斯（Paul Ross）寫了一篇關於Dtrace的雜談（https://github.com/paulross/dtrace-py#the-lightning-talk）。你可以下載Python的DTrace啟動檔案（https://github.com/paulross/dtrace-py/tree/master/toolkit）來測量函式呼叫、執行時間、CPU時間、系統呼叫和各種好玩的指標。比如

sudo dtrace -s toolkit/<tracer>.d -c '../cpython/python.exe script.py'

py_callflow跟蹤器顯示你應用程式中的所有函式呼叫。

那麼，Python的動態型別會讓它變慢嗎？

• 比較和轉換型別的開銷很大，每次讀取、寫入或引用一個變數，都要檢查型別。

• 很難優化一種極具動態性的語言。Python的許多替代語言之所以快得多，原因在於它們為了效能在靈活性方面作出了犧牲。

• Cython 結合了C-Static型別和Python來優化型別已知的程式碼，可以將效能提升84倍。

結論

Python之所以速度慢，主要是由於動態性和多功能性。它可用作解決各種問題的工具，Python有更優化、速度更快的幾個替代方案。

然而，有一些方法可以優化你的Python應用程式，比如通過充分利用非同步、深入瞭解分析工具以及考慮使用多個直譯器。

對於啟動時間不重要、程式碼會受益於JIT的應用程式來說，不妨考慮PyPy。

對於效能至關重要，又有更多靜態型別變數的部分程式碼而言，不妨考慮使用Cython。