Day 69：【99天精通Python】C/C++ 扩展 (CTypes/Cython)

Day 69：【99天精通Python】C/C++ 扩展 (CTypes/Cython) - 给 Python 装上喷气引擎

前言

欢迎来到第69天！

Python 的优点是开发效率极高，但缺点也很明显：运行速度慢（相比 C/C++）。
在绝大多数场景下，NumPy 和 Pandas 已经足够快了。但如果你遇到了某些极端的计算瓶颈（例如三重循环处理图像像素、复杂的加密算法），纯 Python 代码可能会慢得让你怀疑人生。

这时候，我们有两种选择：

CTypes：直接调用已经编译好的 C 动态链接库 (.dll或.so)。
Cython：写一种类似 Python 的代码，然后自动编译成 C 扩展模块。

今天，我们就来学习如何用 C 语言给 Python 加速。

本节内容：

CTypes：调用 C 语言编写的动态库
Cython：将 Python 代码编译为 C
编写 setup.py 编译扩展
性能对比：Python vs CTypes vs Cython

一、CTypes：借力打力

CTypes 是 Python 内置的库，它可以加载动态链接库。

1.1 编写 C 代码 (math_lib.c)

我们需要先写一段 C 代码，实现一个计算斐波那契数列的函数（递归版，非常耗时）。

// math_lib.c#include<stdio.h>// 递归计算斐波那契longlongfib(intn){if(n<=1)returnn;returnfib(n-1)+fib(n-2);}// 一个简单的加法intadd(inta,intb){returna+b;}

1.2 编译为共享库

在终端执行（需要安装 gcc）：

Linux/Mac:

gcc -shared -o math_lib.so -fPIC math_lib.c

Windows (MinGW):
```
gcc -shared -o math_lib.dll math_lib.c
```

1.3 Python 调用

importctypesimportosimporttime# 加载动态库lib_path=os.path.abspath("./math_lib.so")# Windows用 .dllclib=ctypes.CDLL(lib_path)# 配置参数和返回值类型 (C语言是强类型的)clib.fib.argtypes=[ctypes.c_int]clib.fib.restype=ctypes.c_longlong# 调用 C 函数start=time.time()print(f"Fib(35) ={clib.fib(35)}")print(f"C 耗时:{time.time()-start:.4f}秒")# 对比 Python 原生defpy_fib(n):ifn<=1:returnnreturnpy_fib(n-1)+py_fib(n-2)start=time.time()print(f"Py Fib(35) ={py_fib(35)}")print(f"Python 耗时:{time.time()-start:.4f}秒")

实测结果：C 版本通常比 Python 版本快 50-100 倍！

二、Cython：披着 Python 皮的 C

CTypes 需要你会写 C 语言。而Cython允许你写 Python 代码，然后把它翻译成 C 代码并编译。

安装：

pipinstallcython

2.1 编写 Cython 代码 (hello.pyx)

新建文件hello.pyx。代码看起来和 Python 几乎一样，只是增加了类型声明。

# hello.pyx# 纯 Python 写法defpy_fib(n):ifn<=1:returnnreturnpy_fib(n-1)+py_fib(n-2)# Cython 写法 (cpdef 定义 C 函数)# int n: 指定类型cpdeflonglongcy_fib(intn):ifn<=1:returnnreturncy_fib(n-1)+cy_fib(n-2)

2.2 编写编译脚本 (setup.py)

为了让 Python 能 import 这个.pyx文件，我们需要把它编译成二进制扩展模块 (.pyd或.so)。

# setup.pyfromsetuptoolsimportsetupfromCython.Buildimportcythonize setup(ext_modules=cythonize("hello.pyx"))

2.3 编译

在终端运行：

python setup.py build_ext --inplace

运行后，你会发现目录下生成了一个.c文件和一个.so(或.pyd) 文件。

2.4 调用扩展

新建main.py：

importhelloimporttime start=time.time()print(f"Cython Fib:{hello.cy_fib(35)}")print(f"耗时:{time.time()-start:.4f}秒")

Cython 的魔力：哪怕你完全不改代码，只是用 Cython 编译一下 Python 源码，通常也能获得 30% 的性能提升。如果你加上了类型声明(cdef int a)，性能可以媲美原生 C。

三、性能对比总结

我们用斐波那契数列计算 (n=35) 来对比三种方式：

方式	耗时 (约)	评价
Python	4.0 秒	解释执行，动态类型检查，慢。
CTypes	0.08 秒	直接执行机器码，极快，但需要写 C。
Cython	0.09 秒	编译为 C 后执行，极快，开发效率高。

四、常见问题

Q1：什么时候用 CTypes，什么时候用 Cython？

如果你已经有一个现成的 C/C++ 库（如 OpenCV, FFmpeg），只想调用它的功能，用CTypes。
如果你是想加速自己的 Python 算法，且不想写 C 代码，用Cython。

Q2：Cython 里的`def`,`cdef`,`cpdef`区别？

def: Python 函数，Python 可调用，慢。
cdef: C 函数，只有 Cython 内部可调用，极快。
cpdef: 混合体，Python 可调用（会自动生成 wrapper），也快。

Q3：编译报错`Unable to find vcvarsall.bat`(Windows)？

Cython 编译需要 C 编译器。Windows 用户需要安装Visual Studio Build Tools(勾选 C++ 开发环境)。

五、小结

关键要点：

Python 慢是因为它是动态解释型语言。
CTypes是连接 Python 和 C 的桥梁。
Cython是让 Python 变身为 C 的魔法棒。
在性能敏感的循环中，加上类型声明 (cdef) 是提速的关键。

六、课后作业

素数计算加速：回顾 Day 25 的素数计算任务。尝试用 Cython 重写is_prime函数，加上类型声明，编译后对比纯 Python 的速度。
调用 C 库：编写一个简单的 C 函数void say_hello(char* name)，编译为动态库，并用ctypes在 Python 中调用它。
数组求和：用 Cython 编写一个函数，接收一个 Python 列表，将其转换为 C 数组并求和。（提示：使用 Cython 的 Memoryview 或者是与 NumPy 集成）。