学习 Python：强大的面向对象编程（第 5 版）执行模型变体——Python实现的可选方案——PyPy: 加速Python
PyPy 系统是另一个标准 CPython 的重新实现，主要关注性能。它用 JIT(just-in-time / 及时) 编译器提供了快速的 Python 实现，为 “沙盒” 模型（可以在一个安全环境中运行未信任代码）提供了工具，并且默认支持前面章节的 Stackless Python 系统和它的微线程以支持大规模并发。
PyPy 是之前描述过的 Psyco JIT 的继任者，并且整合了一个完整的为速度而生的 Python 实现。JIT 真的只是 PVM（图 2-2 最右边的气泡）的一个扩展，为了更快的执行，它将部分字节码彻底地翻译为二进制机器代码。它是在程序运行时做这件事，而不是在预先运行的编辑步骤中，并且通过跟踪程序处理的对象的数据类型，能为动态的 Python 语言创建特定类型的机器代码。通过这种方式替代部分的字节码，程序在执行时会运行得越来越快。另外，一些 Python 程序在 PyPy 下还会占据更少的内存。
在写本书时，PyPy 执行 Python 2.7 代码（3.X 还不行）并且运行在 Intel x86（IA-32）和 x86_64 平台上（包括 windows，Linux，和最近的 Macs），ARM 和 PPC 的支持还在开发中。它运行大多数的 CPython 代码，然而 C 扩展模块通常必须被重新编译，且 PyPy 有一些微小但微妙的语言差异，包括会让一些常见的编码模式无效的垃圾回收语义。比如，它的非引用计数方案意味着临时文件可能没有关闭，输出缓冲区没有立即刷新，且在一些情况下可能需要人工调用 “关闭” 方法。
作为回报，代码可能运行得快许多。PyPy 当前声称在一系列的性能跑分程序中的速度超过 CPython 5.7 倍（根据 http://speed.pypy.org/)。在一些情况下，它利用动态优化机会的能力可以使 Python 代码运行得和 C 代码一样快，偶尔会更快。特别对重度算法或数字程序更是如此， 如果不是有 PyPy，这些程序都可能用 C 重写。
比如，在第 21 章中将会看到一个简单的跑分测试中，当前的 PyPy 运行得比 CPython 2.7 快 10 倍，比 CPython3.X 快 100 倍。虽然其他跑分测试会有所不同，但在许多领域，这样的加速可能是一个令人信服的优势，甚至比尖端的语言功能更有优势。同样重要的，在 PyPy 中内存也被优化了 —— 在一个发表的测试案例中，PyPy 只需要 247MB 在 10.3 秒内就完成了，而 CPython 需要 684MB 和 89 秒。
PyPy 的工具链也足够通用，可以支持其他语言，包括 Pyrolog（一个使用 PyPy 翻译器用 Python 编写的 Prolog 解释器）。搜索 PyPy 的网站获取更多信息。PyPy 目前在 pypy.org/ ，然而随着时间推移，通常的网络搜索也还是可以找到很多资料（即使网址改变）。对于当前性能的概述，请见 www.pypy.org/performance.html。
关于 LearnKu
粤公网安备 44030502004330号
推荐文章：