1. 引言

作為一名算法工程師，如何快速實現一個想法并驗證它是否有效對日常工作至關重要。Python 是一個出色的工具，可以很方便地實現這一點。它允許我們專注于想法本身，而不會被繁雜的代碼實現所困擾。

然而，小伙伴們一定都聽說過，Python腳本語言有一個致命缺點：相比比 C 或 C++ 等編譯語言Python運行慢得多。那么，在我們通過構建 Python 快速實現了一個想法之后，現在我們想將它變成一個快速且高性能的工具，我們該怎么辦？通常情況下，我們最終會耗費大概兩倍的時間來將 Python 代碼手動轉換為 C/C++。

但是如果我們的 Python 代碼本身可以運行得更快，那不是很好嗎？那么如何實現呢？

幸運的是，我偶然發現了該問題的解決方案：PyPy，它是 Python運行時快速的替代品。

2. 舉個栗子

為了直觀對比 PyPy可以提升多少加速效果，我在以下示例中同時運行了默認的 Python 解釋器和 使用PyPy，

代碼如下：

import time
from termcolor import colored

start = time.time()
number = 0
for i in range(100000000):
? ? number += i
? ??
print(colored("FINISHED", "green"))
print(f"Ellapsed time: {time.time() - start} s")

簡單來說，上述腳本在一個循環中將 0 到 100,000,000 之間的所有整數相加，并在完成時打印一條消息和整個代碼腳本運行時間。

對比結果如下：

盡管只是簡單的對比，但上述例子的加速效果仍然令人興奮。與大約需要 10 秒的默認 Python 解釋器相比，PyPy 僅在 0.22 秒后就完成了執行！另外，請注意，我們可以直接將 Python 代碼提供給 PyPy，而無需對代碼做任何更改。

當我們將其與 C語言實現的版本進行比較時，結果會更加令人印象深刻。在我的電腦上，C 中的等效實現需要 0.32 秒。盡管在大多數情況下 C 總體上仍然是速度大師，但 PyPy 在某些情況下可以擊敗 C。

需要注意的是：

當我們的程序大部分運行時間都來自于調用非 python 庫(比如Cpython)時，PyPy 的效率會降低。但是，如果我們有一個緩慢的程序，大部分時間都花在執行調用 Python庫相關代碼上時，那么 PyPy 可以極大地提升代碼的運行效率。

3. 刨根問底

如果你也是第一次遇到 PyPy，那么您可能會問自己"PyPy運行這么快的背后原理是啥？"
額。。。 回顧我們的實驗，我們運行完全相同的代碼，并且使用 PyPy 似乎可以免費獲得巨大的加速，黑科技哎。。。

其實盡管代碼完全相同，但兩種方式下的代碼的執行方式卻大不相同。 PyPy 性能提升的秘訣在于即時編譯，簡稱 JIT 編譯。

3.1 提前編譯

C、C++ 以及 Swift、Haskell、Rust 等編程語言都是提前編譯的。這意味著，在我們用這些語言編寫了一些代碼之后，需要點擊一個build按鈕，編譯器就會將源代碼轉換為機器可讀的代碼，由一種特定的計算機架構讀取。每當執行程序時，您的原始源代碼早已不復存在。執行的只是機器代碼。

3.2 語言可解釋性

Python、JavaScript、PHP 等類似開發語言采用不同的方法。它們都是可以被解釋的。與將源代碼轉換為機器代碼相比，源代碼保持不變。每次程序運行時，解釋器都會逐行“查看”代碼并為我們運行它。

對于 JavaScript，每個 Web 瀏覽器都內置了一個解釋器。標準的 Python 解釋器稱為 CPython。但是，區分 Python 語言腳本和運行代碼的解釋器工具是非常重要的，那是因為我們可以擁有完全不同的工具，它們都具有運行 Python 代碼的能力。這就是 PyPy 發揮作用的地方。

3.3 即時編譯

PyPy 是利用即時編譯的 Python 的替代實現。背后的原理是 PyPy 開始時就像一個解釋器，直接從源文件運行我們的 Python 代碼。但是，PyPy 不是逐行運行代碼，而是在執行它們之前將部分代碼編譯為機器代碼，可以說是及時。

從這個意義上說，JIT 編譯是解釋和提前編譯的結合。這樣，我們不僅獲得了提前編譯的性能提升，而且解釋性語言的靈活性和跨平臺可用性也保留了下來。

4. 總結

現在我們了解了 PyPy 如何實現驚人的性能提升背后的原理。在官網 pypy.org 上免費提供PyPy安裝包。除了工具本身，該網站還包含大量關于微調 Python 程序以進一步提高性能的技巧。由于 PyPy 只是 Python 的一種替代實現，大多數時候它都是開箱即用，無需對 Python 項目進行任何更改。它與 Web 框架 Django、科學計算包 Numpy 和許多其他包完全兼容，推薦大家多多使用。