楔子
后面咱们说了 Cython 是什么，为什么咱们要用它，以及如何编译和运行 Cython 代码。有了这些常识，那么是时候进入 Cython 的深度摸索之路了。不过在此之前，咱们还是要深入分析一下 Python 和 Cython 的区别。
Python 和 Cython 的差异从大方向上来说无非有两个，一个是：运行时解释和事后编译；另一个是：动静类型和动态类型。
解释执行和编译执行
为了更好地了解为什么 Cython 能够进步 Python 代码的执行性能，有必要比照一下虚拟机执行 Python 代码和操作系统执行曾经编译好的 C 代码之间的差异。
Python 代码在运行之前，会先被编译成 pyc 文件（外面存储的是 PyCodeObject 对象），而后读取外面的 PyCodeObject 对象，创立栈帧，执行外部的字节码。而字节码是可能被 Python 虚拟机解释或者执行的根底指令集，并且虚拟机独立于平台，因而在一个平台生成的字节码能够在任意平台运行。
虚拟机将一个高级字节码翻译成一个或者多个能够被操作系统调度 CPU 执行的低级操作（指令）。这种虚拟化很常见并且非常灵便，能够带来很多益处：其中一个益处就是不会被挑剔的操作系统厌弃（相较于编译型语言，你在一个平台编译的可执行文件在其它平台上可能就用不了了），而毛病是运行速度比本地编译好的代码慢。
站在 C 的角度，因为不存在虚拟机，因而也就不存在所谓的高级字节码。C 代码会被间接编译成机器码，以一个可执行文件或者动静库（.dll 或者 .so）的模式存在。然而留神：它依赖于以后的操作系统，是为以后平台和架构量身打造的，能够间接被 CPU 执行，而且级别非常低（随同着速度快），所以它与所在的操作系统是有关系的。
那么有没有一种方法能够补救虚拟机的字节码和 CPU 的机器码之间的宏观差别呢？
答案是有的，那就是 C 代码能够被编译成一种被称之为扩大模块的特定类型的动静库，并且这些库能够作为成熟的 Python 模块，然而外面的内容曾经是经由规范 C 编译器编译成的机器码。Python 虚拟机在导入扩大模块执行的时候，不会再解释高级字节码，而是间接运行机器代码，这样就能移除性能开销。
这里再提一下扩大模块，咱们说 Windows 中存在 .dll（动态链接库）、Linux 中存在 .so（共享文件）。如果只是 C 或者 C++、甚至是 Go 等等编写的一般源文件，而后编译成 .dll 或者 .so，那么这两者能够通过 ctypes 调用，然而无奈通过 import 导入。如果你强行导入，那么会报错：
ImportError: dynamic module does not define module export function但如果是遵循 Python/C API 编写，只管编译出的扩大模块在 Linux 上也是 .so、Windows 上是 .pyd（.pyd 也是个 .dll），但它们是能够间接被解释器辨认被导入的。
将一个一般的 Python 代码编译成扩大模块的话（Cython 是 Python 的超集，即便是纯 Python 也能够编译成扩大模块），效率上能够有多大的晋升呢？依据 Python 代码所做的事件，这个差别会十分宽泛，然而通常将 Python 代码转换成等效的扩大模块的话，效率大略有 10% 到 30% 的晋升。因为个别状况下，代码既有 IO 密集也会有 CPU 密集。
所以即使没有任何的 Cython 代码，纯 Python 在编译成扩大模块之后也会有性能的晋升。并且如果代码是计算密集型，那么效率会更高。
Cython 给了咱们收费减速的便当，让咱们在不写 Cython、也就是只写纯 Python 的状况下，还能失去优化。但这种只针对纯 Python 进行的优化显然只是扩大模块的冰山一角，真正的性能改良是应用 Cython 的动态类型来替换 Python 的动静解析。
因为 Python 不会进行基于类型的优化，所以即便编译成扩大模块，但如果类型不确定，还是没有方法达到高效率的。
就拿两个变量相加举例：因为 Python 不会做基于类型方面的优化，所以这一行代码对应的机器码数量显然会很多，即便编译成了扩大模块，其对应的机器码数量也是相似的（外部会有优化，因而机器码数量可能会少一些，但不会少太多）。
这两者区别就是：一般的模块有一个翻译的过程，将字节码翻译成机器码；而扩大模块是当时就曾经全副翻译成机器码了。然而 CPU 执行的时候，因为机器码数量是差不多的，因而执行工夫也是差不多的，区别就是少了一个翻译的过程。然而很显著，Python 将字节码翻译成机器码破费的工夫简直是不须要思考的，重点是 CPU 在执行机器码所破费的工夫。
因而将纯 Python 代码编译成扩大模块，速度不会晋升太显著，晋升的 10~30% 也是 Cython 编译器外部的优化，比方：发现函数中某个对象在函数完结就不被应用了，所以将其调配的栈上等等。如果应用 Cython 时指定了类型，那么因为类型确定，机器码的数量就会大幅度缩小。CPU 执行 10 条机器码花的工夫和执行 1 条机器码花的工夫哪个长，显而易见。
因而应用 Cython，重点是规定好类型，一旦类型确定，那么速度会快很多。
动静类型和动态类型
Python 语言和 C、C++ 之间的另一个重要的差别就是：前者是动静语言，后者是动态语言。动态语言要求在编译的时候就必须确定变量的类型，个别通过显式的申明来实现这一点。另一方面，如果一旦申明某个变量，那么之后此作用域中该变量的类型就不能够再扭转了。
看起来限度还蛮多的，那么动态类型能够带来什么益处呢？除了编译时的类型检测，编译器也能够依据动态类型生成适应以后平台的高性能机器码。
动静语言（针对于 Python）则不一样，对于动静语言来说，类型不是和变量绑定的，而是和对象绑定的，变量只是一个指向对象的指针罢了。因而 Python 中如果想创立一个变量，那么必须在创立的同时赋上值，不然解释器不晓得这个变量到底指向哪一个对象。而像 C 这种动态语言，能够创立一个变量的同时不赋上初始值，比方：int n，因为曾经晓得 n 是一个 int 类型了，所以调配的空间大小曾经确定了。
并且对于动静语言来说，变量即便在同一个作用域中，也能够指向任意的对象，因为变量只是一个指针罢了。举个栗子：
var = 666
var = "python 编程学习圈"首先是 var = 666，相当于创立了一个整数 666，而后让 var 这个变量指向它；
再来一个 var = “python 编程学习圈 ”，那么会创立一个字符串，而后让 var 指向这个字符串。或者说 var 不再存储整数 666 的地址，而是存储新创建的字符串的地址。
所以在运行 Python 程序时，解释器要花费很多工夫来确认执行的低阶操作，并抽取相应的数据。思考到 Python 设计的灵活性，解释器总是要以一种十分通用的形式来确定相应的低阶操作，因为 Python 的变量在任意时刻能够指向任意类型的数据。以上便是所谓的动静解析，而 Python 的通用动静解析是迟缓的，还是以 a + b 为栗：
*1）解释器要检测 a 指向的对象的类型，这在 C 一级至多须要一次指针查找；
2）解释器从该类型中寻找加法办法的实现，这可能又须要一个或者多个额定的指针查找和外部函数调用；
3）如果解释器找到了相应的办法，那么解释器就有了一个理论的函数调用；
4）解释器会调用这个加法函数，并将 a 和 b 作为参数传递进去；
5）Python 的对象在 C 中都是一个构造体，比方：整数在 C 中是 PyLongObject，外部有援用计数、类型、ob_size、ob_digit，这些成员是什么不用关怀，总之其中一个成员必定是寄存具体的值的，其它成员则是存储额定的属性的。
而加法函数显然要从这两个构造体中抽出理论的数据，这须要指针查找以及将数据从 Python 类型转换到 C 类型。如果胜利，那么会执行加法的实际操作；如果不胜利，比方类型不对，发现 a 是整数但 b 是个字符串，就会报错；
6）执行完加法操作之后，必须将后果再转回 Python 对象，而后获取它的指针、转成 PyObject 之后再返回；
以上就是 Python 执行 a + b 的流程，而 C 语言面对 a + b 这种状况，体现则是不同的。因为 C 是动态编译型语言，C 编译器在编译的时候就决定了执行的低阶操作和要传递的参数数据。
在运行时，一个编译好的 C 程序简直跳过了 Python 解释器要必须执行的所有步骤。对于 a + b，编译器提前就确定好了类型，比方整型，那么编译器生成的机器码指令是寥寥可数的：将数据加载至寄存器进行相加，而后存储后果。
所以咱们看到编译后的 C 程序简直将所有的工夫都只花在了调用疾速的 C 函数以及执行基本操作上，没有 Python 那些花里胡哨的动作。并且因为动态语言对变量类型的限度，编译器会生成更疾速、更业余的指令，这些指令是为其数据以及所在平台量身打造的。因而 C 语言比 Python 快上几十倍甚至上百倍，这几乎再失常不过了。
而 Cython 在性能上能够带来如此微小的晋升的起因就在于，它将 C 的动态类型引入到 Python 中，动态类型会将运行时的动静解析转化成基于类型优化的机器码。
在 Cython 诞生之前，咱们只能通过 C 从新实现 Python 代码来从动态类型中获益，也就是用 C 编写所谓的扩大模块。但 Cython 的呈现则简化了这一点，能够让咱们在写相似于 Python 代码的同时，还能应用 C 的动态类型零碎。
以上就是本次分享的所有内容，想要理解更多 python 常识欢送返回公众号：Python 编程学习圈 ，发送“J”即可收费获取，每日干货分享