一、学前花絮
Python语言语法简单，容易上手。而且Python社区众多，不断为它的健康发展提供新的功能模块，在当前的大数据、人工智能领域独领风骚。
那么，Python有没有缺点呢？从辩证思维角度看，很少有一种东西是绝对的完美。Python最让人诟病的是运行效率慢，其实理解这一点也很简单，越是高级的东西，距离底层计算机知识越远。毕竟计算机本质上是二进制的0、1，所有的高级语言都是通过编译器逐渐远离底层。比如我们常说的最底层的属于机器语言，上面是汇编语言，再上面是C语言。而包括Python语言在内的多数语言都是距离底层越来越远，毕竟为了使用方便，或者说提升了编写程序的效率。
怎么解决Python执行效率低的问题，之前我们提过用codon技术。本质上codon是让python向C语言靠拢，利用C语言强大的执行效率弥补其不足。
本文继续这个话题，python提升性能采用封装C的三种方法。
二、python提升性能采用封装C的三种方法示例
2.1 使用 ctypes 库（最简单，无需编译）
这是 Python 自带的标准库，适用于调用已有的动态链接库（.dll 或 .so）。不需要编写额外的 C 代码来包装，直接在 Python 里加载并调用即可。
适用场景： 已经有编译好的 C 库，只想简单调用函数，不在乎性能极致优化。
优点： 纯 Python 实现，无需编译，跨平台。
缺点： 无法封装复杂的 C 结构体或回调，性能一般。
步骤示例：
编写 C 代码并编译：
编译成动态库（Linux/macOS）：
gcc -shared -o libexample.so -fPIC example.c
其实上述语句是有点小问题的，在linux下动态链接库是.so，而当前是在windows下，实际上应该是.dll。实测在windows下无论是人为.so或者.dll都可以运行成功，但我们要知道本质上它就是.dll。
2.Python 中调用：
执行python程序并输出结果：
2.2 使用 Cython（最推荐，语法接近 Python）
Cython 是一个 Python 的超集，允许你在 .pyx 文件中混合写 Python 和 C 代码。它会将代码编译成 C 扩展模块（.so 或 .pyd），性能极高。
适用场景： 需要编写高性能计算代码，或者将复杂的 C/C++ 库封装给 Python 用。优点： 语法灵活，性能极好，可以无缝混合 Python 和 C 类型。缺点： 需要学习 .pyx 语法，需要编译。步骤示例：
1.编写 Cython 文件 (example.pyx)：
2.编写 setup.py：
3.编译：
python setup.py build_ext --inplace --compiler=mingw32
4.使用：
输出结果：
2.3 使用 Python 原生 C 扩展（最底层，性能最好）
直接使用 Python 的 C API（Python.h）编写扩展模块。这是最“硬核”的方法，也是 os.environ 这种底层模块的实现方式。
适用场景： 需要极致的性能控制，或者编写 Python 解释器级别的扩展。优点： 性能最高，控制力最强。缺点： 代码繁琐，容易出错（内存管理），开发效率低。步骤示例：
1.编写 C 文件 (mymodule.c)：
2.编写 setup.py：
编译并使用（同 Cython 步骤）。
输出结果如下：
方案对比总结
建议：
如果只是调用现成的 .dll，用 ctypes。如果想写高性能 Python 库（比如算法加速），用 Cython。如果你在开发 Python 解释器或极其底层的库，才用原生 C 扩展。三、小结
本文通过编写python封装C程序的三种方法，是在探讨一种能够提升python性能的路径。我们可以设想，在一个项目中，把某些核心功能用C接口程序完成，主体用python编写。这样既能保证快速完成代码编写，还提升了整体执行效率。
让我们保持学习热情，多做练习。我们下期再见！
快乐男孩
评论 (0)