企业官网建设流程全解析

Python慢是公认的，但通过C扩展、JIT、Rust绑定，可以达到接近C的性能。本文讲解Cython、Numba、PyO3三种加速方案，并对比实战。

一、性能瓶颈分析

python

复制

下载

import timeit # 纯Python def fib_py(n): if n < 2: return n return fib_py(n-1) + fib_py(n-2) # 测试 print(timeit.timeit(lambda: fib_py(30), number=1))

先用cProfile定位热点，再选择加速方案。

二、Cython

Cython将Python代码编译为C扩展。

bash

复制

下载

pip install cython

2.1 基础用法

fib.pyx：

cython

复制

下载

def fib(int n): cdef int i cdef long long a = 0, b = 1 for i in range(n): a, b = b, a + b return a

setup.py：

python

复制

下载

from setuptools import setup from Cython.Build import cythonize setup( ext_modules=cythonize("fib.pyx"), )

编译：

bash

复制

下载

python setup.py build_ext --inplace

使用：

python

复制

下载

from fib import fib print(fib(100))

2.2 类型声明

cython

复制

下载

# 声明变量类型 cdef int x = 10 cdef double y = 3.14 cdef list lst = [1, 2, 3] # 函数类型 cdef int add(int a, int b): return a + b # 结构体 cdef struct Point: double x double y # 内存视图 def sum_array(double[:] arr): cdef int i cdef double total = 0 for i in range(arr.shape[0]): total += arr[i] return total

2.3 性能对比

python

复制

下载

# 纯Python：约2秒 # Cython：约0.01秒 # 提升200倍

三、Numba JIT

Numba用LLVM在运行时编译，只需一个装饰器。

bash

复制

下载

pip install numba

python

复制

下载

from numba import jit, njit, prange import numpy as np @njit def sum_squares(arr): total = 0.0 for i in range(len(arr)): total += arr[i] ** 2 return total arr = np.random.rand(1000000) print(sum_squares(arr)) # 首次慢，后续快

3.1 并行加速

python

复制

下载

@njit(parallel=True) def parallel_sum(arr): total = 0.0 for i in prange(len(arr)): total += arr[i] ** 2 return total

3.2 向量化

python

复制

下载

from numba import vectorize @vectorize(['float64(float64, float64)'], target='cuda') def add_cuda(a, b): return a + b

3.3 适用场景

• 数值计算

• 循环密集

• NumPy数组操作

不适用：字符串处理、复杂对象、I/O。

四、PyO3：Rust绑定

Rust性能接近C，内存安全，适合写扩展。

bash

复制

下载

pip install maturin maturin init --bindings pyo3

src/lib.rs：

rust

复制

下载

use pyo3::prelude::*; #[pyfunction] fn fib(n: u64) -> u64 { if n < 2 { return n; } let mut a = 0u64; let mut b = 1u64; for _ in 0..n { let temp = a + b; a = b; b = temp; } a } #[pyfunction] fn sum_squares(arr: Vec<f64>) -> f64 { arr.iter().map(|x| x * x).sum() } #[pymodule] fn mylib(_py: Python, m: &PyModule) -> PyResult<()> { m.add_function(wrap_pyfunction!(fib, m)?)?; m.add_function(wrap_pyfunction!(sum_squares, m)?)?; Ok(()) }

pyproject.toml：

toml

复制

下载

[build-system] requires = ["maturin>=0.14"] build-backend = "maturin" [project] name = "mylib" requires-python = ">=3.8"

编译：

bash

复制

下载

maturin develop --release

使用：

python

复制

下载

import mylib print(mylib.fib(100))

五、ctypes与cffi

5.1 ctypes调用C库

python

复制

下载

import ctypes lib = ctypes.CDLL("./libmath.so") lib.add.argtypes = [ctypes.c_int, ctypes.c_int] lib.add.restype = ctypes.c_int print(lib.add(1, 2))

5.2 cffi

python

复制

下载

from cffi import FFI ffi = FFI() ffi.cdef("int add(int a, int b);") lib = ffi.dlopen("./libmath.so") print(lib.add(1, 2))

六、四种方案对比

七、实战：加速图像处理

python

复制

下载

# 纯Python：约10秒 def apply_filter_py(img, kernel): h, w = img.shape result = np.zeros_like(img) for i in range(1, h-1): for j in range(1, w-1): total = 0.0 for ki in range(3): for kj in range(3): total += img[i-1+ki, j-1+kj] * kernel[ki][kj] result[i, j] = total return result # Numba：约0.1秒 @njit(parallel=True) def apply_filter_numba(img, kernel): h, w = img.shape result = np.zeros_like(img) for i in prange(1, h-1): for j in range(1, w-1): total = 0.0 for ki in range(3): for kj in range(3): total += img[i-1+ki, j-1+kj] * kernel[ki][kj] result[i, j] = total return result

八、选择建议

1. 数值计算：Numba

2. 通用加速：Cython

3. 系统级、安全：Rust + PyO3

4. 已有C库：ctypes/cffi

5. 简单场景：先优化算法和数据结构

九、总结

Python性能优化优先级：算法 > 数据结构 > 向量化 > JIT/C扩展。Numba最简单，Cython最通用，Rust最强大。根据场景选择，避免过早优化。