1. 项目概述为什么Python开发者需要掌握C扩展在Python社区里我们常常自豪于其“胶水语言”的特性能够轻松调用各种库。但当你处理一个计算密集型的核心算法或者需要直接操作硬件、与遗留的C/C代码库深度集成时纯Python代码可能会遇到性能瓶颈。这时亲手用C语言为Python打造一个原生扩展模块就从一项“高级技能”变成了“必修课”。这不仅仅是追求极致的性能更是深入理解Python运行时、内存管理乃至整个生态系统底层逻辑的绝佳途径。我最初接触这个领域是因为一个图像处理项目。用PILPillow的纯Python循环去逐像素处理一张4K图片耗时长达数秒。而同样的算法用C重写并封装成模块后处理时间降到了毫秒级。这种数量级的提升让我深刻体会到“原生”二字的威力。它让你能突破解释器的限制直接与操作系统和硬件对话。无论是为了优化科学计算中的关键循环封装一个已有的高性能C库还是仅仅为了满足技术探索的好奇心掌握C扩展开发都是一项极具价值的投资。2. 核心原理Python与C的桥梁是如何搭建的要理解如何用C写扩展首先得明白Python解释器是如何与C代码“握手”的。Python本身是由C写成的它提供了一套非常稳定的C API。你的C扩展本质上就是一个动态链接库在Windows上是.pyd在Linux/macOS上是.so这个库实现了Python C API规定的几个特定函数。当你在Python中import这个模块时解释器会加载这个动态库并调用其中的初始化函数从而将你写的C函数、C数据类型“注册”到当前的Python运行环境中使其看起来和表现得就像一个纯粹的Python模块一样。2.1 Python C API 精要Python C API是一组庞大的头文件和函数定义但入门时你只需要关注几个核心概念PyObject这是Python C API中最重要的数据结构。在C的视角里Python世界里的一切整数、字符串、列表、甚至你定义的类都是一个PyObject或者其子类型的指针。你的C函数接收和返回的都是PyObject*。引用计数Python使用自动垃圾回收但在C层面你需要手动管理PyObject的生命周期这就是引用计数。核心规则是当你创建一个新的引用比如函数返回一个对象或者存储一个引用时需要增加其引用计数Py_INCREF当你不再需要一个引用时需要减少其引用计数Py_DECREF。引用计数降为0时对象所占用的内存会被释放。这是C扩展开发中最容易出错的地方之一。模块与方法表你需要定义一个PyModuleDef结构体来描述你的模块以及一个PyMethodDef结构体数组来描述模块中包含哪些方法函数。这个表将C函数指针与Python中的函数名、文档字符串关联起来。2.2 扩展模块的生命周期一个典型的扩展模块从编译到使用会经历以下阶段编写C源码包含模块初始化函数、你实现的C函数。编译与链接使用distutils或setuptools通过setup.py将C源码编译为平台相关的二进制扩展模块。这个过程会处理所有与Python头文件和库文件的链接。导入Python的import语句定位到编译好的二进制文件调用其初始化函数。初始化你的初始化函数创建模块对象并向解释器注册模块中的函数和数据类型。调用Python代码调用模块中的函数解释器通过方法表找到对应的C函数指针并执行。清理当模块被卸载或解释器退出时如果有需要会调用你定义的清理函数。注意在Windows上开发C扩展你需要一个与你的Python版本匹配的C编译器通常是Visual Studio。对于Python 3.5及以上版本官方推荐使用Visual Studio 2015或更高版本。这是新手在Windows上遇到的第一个也是最大的一个“坑”。3. 环境准备与工具链配置工欲善其事必先利其器。一个顺畅的开发环境能避免大量与核心逻辑无关的麻烦。3.1 跨平台编译器配置Windows如前所述安装对应版本的Visual Studio Build Tools是关键。更简单的方法是安装Microsoft C Build Tools。一个验证是否成功的方法是打开命令提示符输入cl如果不报“不是内部或外部命令”则基本可用。对于使用Python 3.5的用户安装Visual Studio 2019或2022时务必勾选“使用C的桌面开发”工作负载。Linux/macOS通常系统自带gcc或clang。确保已安装Python开发头文件。在Ubuntu/Debian上可以运行sudo apt-get install python3-dev在macOS上如果你使用Homebrew安装的Python通常已经包含。3.2 开发与构建工具选择虽然可以直接手写setup.py调用distutils但我强烈推荐使用setuptools它功能更强大也是目前生态中的事实标准。你的项目目录结构通常如下my_cextension/ ├── setup.py ├── mymodule.c └── README.md核心的setup.py文件内容骨架如下from setuptools import setup, Extension # 定义扩展模块 module Extension(mymodule, # Python中导入的模块名 sources[mymodule.c], # C源文件列表 include_dirs[], # 额外的头文件搜索路径 library_dirs[], # 额外的库文件搜索路径 libraries[]) # 需要链接的库名列表 # 调用setup函数 setup(nameMyCExtension, version1.0, descriptionA sample C extension for Python, ext_modules[module])在项目根目录下执行python setup.py build_ext --inplace就会在当前目录生成编译好的扩展模块文件如mymodule.cpython-39-win_amd64.pyd可以直接导入。3.3 集成开发环境建议虽然任何文本编辑器都可以但一个好的IDE能极大提升效率。VSCode安装C/C扩展和Python扩展。你需要正确配置c_cpp_properties.json文件中的includePath确保包含Python的头文件路径如C:\Python39\include。编译任务可以通过配置tasks.json调用setup.py实现。CLion / Visual Studio对于复杂的、包含多个源文件的C扩展项目这些专业的C/C IDE在代码导航、调试方面有巨大优势。可以将扩展模块项目当作一个普通的C库项目来管理并配置构建步骤指向setup.py。实操心得在Windows上我习惯在开始菜单中找到“VS 2019/2022的开发人员命令提示符”或“x64 Native Tools Command Prompt”来执行python setup.py build命令这能确保环境变量正确避免cl.exe找不到的经典错误。在Linux/macOS上则无此顾虑。4. 从零开始手把手实现第一个C扩展模块让我们从一个最简单的例子开始实现一个add函数接收两个整数返回它们的和。虽然听起来毫无意义但它包含了创建C扩展的所有必要步骤。4.1 编写C源代码 (mymath.c)// 引入Python C API头文件 #define PY_SSIZE_T_CLEAN #include Python.h // 这是我们的C函数实现 static PyObject* mymath_add(PyObject* self, PyObject* args) { long a, b; long result; // 解析Python传递过来的参数。格式字符串ll表示两个长整型。 // 如果解析失败比如参数不是两个整数返回NULL并自动触发TypeError异常。 if (!PyArg_ParseTuple(args, ll, a, b)) { return NULL; } result a b; // 将C的长整型结果转换为Python的整数对象并返回。 // PyLong_FromLong 会创建一个新的Python int对象并设置好引用计数。 return PyLong_FromLong(result); } // 方法定义表将Python方法名、C函数指针、参数类型、文档字符串关联起来。 static PyMethodDef MyMathMethods[] { {add, mymath_add, METH_VARARGS, Add two integers.}, {NULL, NULL, 0, NULL} // 哨兵表示结束 }; // 模块定义结构体 static struct PyModuleDef mymathmodule { PyModuleDef_HEAD_INIT, mymath, // 模块名 NULL, // 模块文档字符串 -1, // 模块全局状态大小-1表示使用全局变量 MyMathMethods // 模块方法表 }; // 模块初始化函数。函数名必须为 PyInit_模块名 PyMODINIT_FUNC PyInit_mymath(void) { return PyModule_Create(mymathmodule); }4.2 编写setup.py并构建# setup.py from setuptools import setup, Extension module Extension(mymath, sources[mymath.c]) setup(namemymath_extension, version1.0, descriptionA simple math C extension, ext_modules[module])在终端执行python setup.py build_ext --inplace成功后你会看到生成的文件例如mymath.cpython-39-darwin.somacOS。4.3 测试你的模块在同一目录下打开Python解释器 import mymath mymath.add(5, 3) 8 mymath.add(10, -2) 8 mymath.add(1.5, 2) # 这会触发TypeError因为我们的格式字符串期望的是整数 Traceback (most recent call last): File stdin, line 1, in module TypeError: argument must be integer恭喜你已经成功创建了第一个C扩展模块。这个简单的流程是所有复杂扩展的基础。5. 深入核心处理复杂数据类型与内存管理现实世界的数据不仅仅是整数。处理列表、字典、字节流以及自定义对象才是常态同时必须小心处理内存。5.1 解析与构建复杂参数PyArg_ParseTuple和Py_BuildValue是两个核心的格式转换函数。PyArg_ParseTuple将Python传来的参数元组解析为C变量。s-const char*(以\0结尾的C字符串)s#-const char*,int(字符串指针和长度)y/y#-const char*(字节串)O-PyObject*(通用对象)O!-PyObject*,PyTypeObject*(指定类型的对象)[ii]-int, int(从包含两个int的列表中解析)s|s-char*, char*(第二个参数可选)示例解析一个字符串和一个可选整数。char *name; int max_len 100; // 默认值 if (!PyArg_ParseTuple(args, s|i, name, max_len)) { return NULL; }Py_BuildValue将C变量构建成Python对象返回。格式码与PyArg_ParseTuple类似但用于构建。i-int转PyLong(ii)- 两个int转Python元组[s, i]- 转Python列表{s:i, s:s}- 转Python字典示例返回一个包含结果和状态的字典。return Py_BuildValue({s:i, s:s}, code, 0, msg, success);5.2 安全地操作Python容器当你通过O格式码拿到一个PyObject*并确信它是一个列表时你需要使用对应的API来操作它。// 假设 args 是一个包含一个列表的参数 PyObject *list_obj; if (!PyArg_ParseTuple(args, O!, PyList_Type, list_obj)) { return NULL; } Py_ssize_t len PyList_Size(list_obj); // 获取列表长度 for (Py_ssize_t i 0; i len; i) { PyObject *item PyList_GetItem(list_obj, i); // 获取列表项借用引用 // 注意PyList_GetItem返回的是“借用引用”(borrowed reference)不要对它进行DECREF if (PyLong_Check(item)) { long value PyLong_AsLong(item); // 处理 value... } // 如果你需要长期持有这个item必须增加它的引用计数Py_INCREF(item); }5.3 引用计数实战与内存泄漏防范这是C扩展开发中最核心也最易错的部分。规则可以简化为你创建它你负责销毁它调用如PyLong_FromLong、PyList_New、Py_BuildValue等返回新引用(new reference)的函数后你拥有这个对象最终必须对其调用Py_DECREF。你只是借用别多管闲事像PyList_GetItem、PyTuple_GetItem、PyDict_GetItem返回的是借用引用(borrowed reference)。你不拥有它绝对不能对它调用Py_DECREF。如果你需要在这个函数调用范围之外保存它必须先Py_INCREF它将其变为一个新引用然后在你不用时Py_DECREF。偷窃引用有些API如PyModule_AddObject会“偷走”(steal)你对一个对象的引用。这意味着你传递引用给它们后它们会接管所有权你就不需要再Py_DECREF了。一个常见的错误模式PyObject* bad_example(PyObject* self, PyObject* args) { PyObject* list PyList_New(0); // 新引用引用计数1 PyObject* num PyLong_FromLong(42); // 新引用引用计数1 PyList_Append(list, num); // PyList_Append会INCREF num现在num引用计数2 // 处理结束... Py_DECREF(list); // 正确释放list // 忘记 DECREF num 了现在num引用计数仍为1内存泄漏 // 应该在这里加上 Py_DECREF(num); return Py_None; }正确的做法是在函数退出前确保对所有你拥有的新引用进行清理。对于临时创建的中间对象尤其要注意。实操心得我养成的一个习惯是在编写任何会创建新Python对象的C代码块后立即在脑海中或注释里画出“引用所有权流程图”。对于复杂的函数我甚至会为每个PyObject*变量在声明处注释它是“新引用”(New)、“借用引用”(Borrowed)还是“偷窃引用”(Stolen)。在函数返回前检查所有标记为“新引用”的变量是否都已妥善处理DECREF或传递给偷窃引用的API。这个小技巧帮我避免了许多隐蔽的内存泄漏。6. 性能优化实战用C重写Python热点循环让我们看一个真实的例子计算一个巨大列表中所有元素的平方和。Python版本非常直观但慢。6.1 Python基准版本# pure_python.py def sum_of_squares_py(numbers): total 0 for num in numbers: total num * num return total # 测试 import random data [random.randint(1, 100) for _ in range(10_000_000)] # 这个循环在纯Python中会非常慢6.2 C扩展优化版本// fastmath.c #define PY_SSIZE_T_CLEAN #include Python.h static PyObject* fastmath_sum_of_squares(PyObject* self, PyObject* args) { PyObject *list_obj; PyObject *item; Py_ssize_t i, len; long long total 0; // 使用更大的类型防止溢出 long value; // 解析参数期望一个列表 if (!PyArg_ParseTuple(args, O!, PyList_Type, list_obj)) { return NULL; } len PyList_Size(list_obj); // 提前检查长度避免循环中反复调用 if (len 0) { return NULL; // 不应该发生 } // 核心循环直接访问底层数据 for (i 0; i len; i) { item PyList_GetItem(list_obj, i); // 借用引用 // 快速类型检查和转换 if (PyLong_Check(item)) { // 对于CPython的int小整数PyLong_AsLong很快 value PyLong_AsLong(item); // 检查转换是否出错例如数值太大 if (value -1 PyErr_Occurred()) { return NULL; } total (long long)value * value; } else { // 如果列表元素不是整数抛出类型错误 PyErr_SetString(PyExc_TypeError, list items must be integers); return NULL; } } // 返回Python整数。注意total是long long使用PyLong_FromLongLong return PyLong_FromLongLong(total); } static PyMethodDef FastMathMethods[] { {sum_of_squares, fastmath_sum_of_squares, METH_VARARGS, Calculate sum of squares of integers in a list.}, {NULL, NULL, 0, NULL} }; static struct PyModuleDef fastmathmodule { PyModuleDef_HEAD_INIT, fastmath, NULL, -1, FastMathMethods }; PyMODINIT_FUNC PyInit_fastmath(void) { return PyModule_Create(fastmathmodule); }6.3 性能对比与深入分析编译并测试后你会发现C扩展版本比纯Python版本快数十倍甚至上百倍。原因在于消除解释器开销Python的for循环每次迭代都需要解释器取指令、解码、执行而C循环是直接的机器指令。减少中间对象Python的num * num会创建一个新的int对象然后total ...可能又创建一个。在C中我们直接在寄存器或栈上进行算术运算。直接的类型操作PyLong_AsLong虽然仍有类型检查但比Python层面的属性查找和函数调用要快得多。更进一步优化如果确定列表元素全部是“小整数”CPython内部缓存的范围并且对性能有极致要求可以尝试使用PyList_GET_ITEM宏不进行索引检查和PyLong_AS_LONG宏不进行类型检查但这牺牲了安全性必须在你绝对确定数据格式时使用。// 高风险、高性能的版本仅作示例慎用 for (i 0; i len; i) { item PyList_GET_ITEM(list_obj, i); // 无检查的快速访问 value PyLong_AS_LONG(item); // 无检查的快速转换如果item不是int会崩溃 total (long long)value * value; }7. 高级主题定义新的Python类型类有时你不仅想提供函数还想定义一种新的数据类型类。Python C API允许你创建全新的类型它们可以拥有自己的属性、方法甚至支持运算符重载。7.1 定义类型对象创建一个表示“二维点”的简单类型。// point.c typedef struct { PyObject_HEAD // 所有Python对象都必须以此开头 double x; double y; } PointObject; // 析构函数 static void Point_dealloc(PointObject *self) { Py_TYPE(self)-tp_free((PyObject *)self); } // __new__ 函数 (对象创建) static PyObject *Point_new(PyTypeObject *type, PyObject *args, PyObject *kwds) { PointObject *self; self (PointObject *)type-tp_alloc(type, 0); if (self ! NULL) { self-x 0.0; self-y 0.0; } return (PyObject *)self; } // __init__ 函数 (对象初始化) static int Point_init(PointObject *self, PyObject *args, PyObject *kwds) { static char *kwlist[] {x, y, NULL}; if (!PyArg_ParseTupleAndKeywords(args, kwds, |dd, kwlist, self-x, self-y)) return -1; // 初始化失败 return 0; // 成功 } // 一个实例方法计算到原点的距离 static PyObject *Point_distance_from_origin(PointObject *self, PyObject *Py_UNUSED(ignored)) { double distance sqrt(self-x * self-x self-y * self-y); return PyFloat_FromDouble(distance); } // 方法定义表 static PyMethodDef Point_methods[] { {distance_from_origin, (PyCFunction)Point_distance_from_origin, METH_NOARGS, Return the distance from origin.}, {NULL} /* Sentinel */ }; // 类型定义 static PyTypeObject PointType { PyVarObject_HEAD_INIT(NULL, 0) .tp_name point.Point, // 模块名.类型名 .tp_doc Point objects represent a point in 2D space., .tp_basicsize sizeof(PointObject), .tp_itemsize 0, .tp_flags Py_TPFLAGS_DEFAULT, .tp_new Point_new, .tp_init (initproc)Point_init, .tp_dealloc (destructor)Point_dealloc, .tp_methods Point_methods, }; // 模块初始化 static PyModuleDef pointmodule { PyModuleDef_HEAD_INIT, .m_name point, .m_doc Example module that creates an extension type., .m_size -1, }; PyMODINIT_FUNC PyInit_point(void) { PyObject *m; if (PyType_Ready(PointType) 0) return NULL; m PyModule_Create(pointmodule); if (m NULL) return NULL; Py_INCREF(PointType); if (PyModule_AddObject(m, Point, (PyObject *)PointType) 0) { Py_DECREF(PointType); Py_DECREF(m); return NULL; } return m; }7.2 在Python中使用自定义类型编译并导入后你可以像使用普通Python类一样使用它import point p point.Point(3, 4) print(p.x, p.y) # 注意目前x, y还不是公开属性需要额外定义tp_members或tp_getset dist p.distance_from_origin() print(dist) # 输出 5.0要暴露x和y为属性你需要在PointType中定义tp_members用于简单的C成员变量或更灵活的tp_getset定义getter和setter。这涉及到更多的API但逻辑是清晰的定义如何从C结构体成员获取和设置Python属性的回调函数。8. 调试、打包与分发8.1 调试C扩展调试C扩展比调试纯Python代码更复杂但并非不可能。打印调试在C代码中使用printf或fprintf(stderr, ...)。输出会直接到控制台如果Python是从终端运行的。使用GDB/LLDB这是最强大的方法。你需要用调试符号编译扩展。在setup.py中可以通过extra_compile_args和extra_link_args传递调试标志。module Extension(mymodule, sources[mymodule.c], extra_compile_args[-g, -O0], # -g生成调试信息-O0关闭优化 extra_link_args[-g])然后用调试器启动Python进程gdb --args python my_script.py。在GDB中你可以在C函数上设置断点如break mymath_add。Python的faulthandler对于段错误等严重错误在Python脚本开头启用import faulthandler; faulthandler.enable()可以在程序崩溃时打印C级别的堆栈跟踪帮助你定位崩溃点。8.2 使用setuptools打包为了便于分发和安装你需要一个完整的setup.py。setuptools提供了setup()函数它可以处理依赖、元数据并最重要的是通过ext_modules参数编译C扩展。一个更专业的setup.py示例from setuptools import setup, Extension import sys # 根据平台定义编译参数 if sys.platform win32: extra_compile_args [/O2] # Windows MSVC 优化标志 else: extra_compile_args [-O3, -Wall, -Wextra] # GCC/Clang 优化和警告标志 module Extension(mymodule, sources[src/mymodule.c, src/helper.c], # 多个源文件 include_dirs[include], # 额外的头文件目录 extra_compile_argsextra_compile_args) setup( namemy-awesome-extension, version0.1.0, authorYour Name, descriptionA high-performance Python extension in C., long_descriptionopen(README.md).read(), long_description_content_typetext/markdown, ext_modules[module], python_requires3.6, classifiers[ Programming Language :: Python :: 3, Programming Language :: C, License :: OSI Approved :: MIT License, Operating System :: OS Independent, ], )用户可以通过pip install .直接从源码安装setuptools会自动处理编译过程。8.3 分发二进制wheel对于终端用户来说从源码编译需要配置完整的C开发环境这门槛很高。最佳实践是构建并分发预编译的二进制wheel包。这需要使用cibuildwheel等工具在CI/CD流水线中为Windows、macOS、Linux等多个平台构建wheel。基本流程是在GitHub Actions或Travis CI等平台上配置针对不同操作系统的构建任务调用cibuildwheel它会自动为每个支持的Python版本和平台架构如win32/amd64, manylinux_x86_64, macosx_x86_64/arm64生成wheel文件。然后将这些文件上传到PyPI。用户使用pip install your-package时会自动下载与其环境匹配的二进制wheel无需编译。9. 常见问题与排查技巧实录即使理解了所有原理实际开发中依然会踩坑。以下是我总结的一些典型问题及其解决方法。9.1 编译与链接问题问题现象可能原因解决方案error: unknown type name ‘PyObject’没有包含Python.h或者包含路径不对。确保#include Python.h是第一行或紧随PY_SSIZE_T_CLEAN之后。在setup.py中正确设置include_dirs。LNK2019: unresolved external symbol PyInit_xxx模块初始化函数名写错或者C文件没有被正确编译链接。检查PyMODINIT_FUNC PyInit_mymodule(void)中的mymodule是否与模块名、setup.py中Extension的第一个参数一致。ImportError: DLL load failed(Windows)运行时找不到依赖的VC运行时库。确保用户安装了对应版本的Visual C Redistributable。或者在构建wheel时静态链接运行时库更复杂。fatal error: Python.h: No such file or directory系统没有安装Python开发包。Linux:sudo apt-get install python3-dev。 macOS (Homebrew):brew install python3。9.2 运行时崩溃与错误问题现象可能原因排查思路程序段错误 (Segmentation Fault)访问了非法内存空指针、已释放内存。引用计数错误导致对象被提前释放。1. 使用调试器gdb/lldb定位崩溃点。2. 仔细检查所有PyObject*的引用计数管理特别是借用引用是否被错误地DECREF。3. 检查数组索引是否越界。SystemError: built-in function xxx returned a result with an error set but no errorC函数中发生了错误设置了异常但函数却返回了一个非NULL值。确保当PyErr_Occurred()为真时你的函数必须返回NULL。在调用可能失败的API如PyLong_AsLong转换大数失败后检查错误。TypeError: bad argument typePyArg_ParseTuple解析失败。检查格式字符串是否与Python传递的参数类型匹配。使用O!进行严格类型检查。内存使用量不断增长内存泄漏创建的Python对象没有正确减少引用计数。使用如valgrindLinux或Python内置的tracemalloc模块来辅助定位。系统性地审查代码中每个Py_INCREF和Py_DECREF是否配对。9.3 性能不达预期瓶颈在参数解析如果函数本身很简单如一个加法但被频繁调用百万次那么每次调用PyArg_ParseTuple的开销就会成为瓶颈。考虑使用METH_FASTCALL签名Python 3.7或PyArg_UnpackTuple进行更轻量的解析或者重新设计API接受一个列表或数组作为输入进行批量处理。过多的Python/C边界转换在C函数内部频繁创建Python对象如在小循环里PyLong_FromLong会抵消C带来的性能优势。尽量在C层面完成所有计算最后一次性构建返回的Python对象。没有利用向量化指令对于数值计算可以考虑使用SIMD指令如SSE, AVX。但这需要更底层的C代码和编译器支持属于高级优化范畴。9.4 一个实用的调试技巧在C扩展中打印Python对象有时你需要查看一个PyObject*到底是什么。不能直接用printf。可以这样做// 在C代码中“打印”一个Python对象用于调试 PyObject* repr PyObject_Repr(your_pyobject); if (repr ! NULL) { const char* repr_str PyUnicode_AsUTF8(repr); if (repr_str ! NULL) { fprintf(stderr, [DEBUG] Object: %s\n, repr_str); } Py_DECREF(repr); // 记得释放repr对象 } // 或者更简单地调用Python的print PyObject* print_func PySys_GetObject(stdout); if (print_func PyObject_HasAttrString(print_func, write)) { PyObject_CallMethod(print_func, write, s, Debug info: ); PyObject_CallMethod(print_func, flush, NULL); } // 然后可以用PyObject_Print但需要注意错误处理这些技巧能帮助你在复杂的交互中理清对象的状态。掌握C扩展开发就像为Python这艘强大的航母加装了高性能的舰载机。它让你有能力触及性能的巅峰与底层系统无缝交互。这个过程的学习曲线确实陡峭需要你同时理解Python的抽象和C的严谨尤其是引用计数这座“大山”。但一旦翻越你获得的不仅是性能的提升更是对Python运行时深刻的理解这种理解会让你在即使编写纯Python代码时也能写出更高效、更不易出错的程序。从我个人的经验来看这项投入的回报是长期且丰厚的。当你看到自己编写的模块被广泛使用时那种成就感是无可替代的。最后一个小建议从一个具体的小需求出发比如优化项目中一个确实存在的热点函数边做边学远比一开始就试图构建一个庞大的框架要有效得多。