本文轉(zhuǎn)載自公眾號“讀芯術(shù)”(ID：AI_Discovery)

[[377997]] 

 先看兩個超級簡單的代碼。

for i inrange(10**7): 
                x = i %5 

代碼1：簡單代碼

defmain(): 
 
for i inrange(10**7): 
 
x = i %5 
 
main() 

代碼2：定義了一個主函數(shù)來運行相同的簡單代碼。

兩個代碼都執(zhí)行一個虛擬任務。取0到1000萬之間的數(shù)字(通過for循環(huán))，并計算其模(余數(shù))為5，到目前為止操作非常簡單。那么，測量代碼的運行時間是多少呢?

import time 
             start_time = time.time() 
      for i inrange(10**7): 
         x = i %5 
      finish_time = time.time() 
             print("Duration:{} msec".format((finish_time-start_time)*1000)) 

在代碼1中添加一個簡單的計時器

import time 
             defmain(): 
          for i inrange(10**7): 
             x = i %5 
             start_time = time.time() 
      main() 
      finish_time = time.time() 
             print("Duration:{} msec".format((finish_time-start_time)*1000)) 

在代碼2中添加一個簡單的計時器

在兩個代碼中添加一個簡單的計時器來測量各自的運行時間。由于兩個代碼執(zhí)行相同的簡單任務，預計運行時間也相同。當然，如果運行時間真的相同，本文就沒有存在的必要了。事實上，代碼1和代碼2的運行時間分別為739毫秒和434毫秒，驚訝吧!

很多Python程序員并不知道這個難題，因為這需要深入理解Python的運行原理。本文就將解答“運行python代碼時會發(fā)生什么?”，重點介紹很流行的Python工具CPython。如果你不知道正在使用何種Python工具，那么你90%使用的是CPython。

以下是運行源代碼時的情況：

首先，源代碼通過“詞法分析”程序被分解成標記，例如， x=1將被分解成x, =,和1。然后，通過“句法分析”的過程，這些標記被組織成抽象語法樹(AST)，之后“編譯器”將所有內(nèi)容轉(zhuǎn)換成為一個叫做“字節(jié)碼”的抽象代碼。

在Python中，不像C、C++、Java等語言,編譯器不會獲取“源代碼”并將其轉(zhuǎn)換為“機器代碼”，理解這一點很重要。與之相反，編譯器可接受“源代碼”并且將其轉(zhuǎn)換為“字節(jié)碼”。解釋器的任務是獲取字節(jié)碼并以機器能夠理解的方式運行。

在Python運行代碼的四個步驟中，解釋器負責最繁重的工作。而其他三個步驟不會處理太多的任務。因此，任何時候想要研究Python程序的性能時，應該查看解釋步驟并尋找一些線索。

解釋器讀取字節(jié)碼并運行其指令。如果字節(jié)碼類似于菜譜，那么指令便是菜譜中的不同步驟。如果字節(jié)碼可讀取，就可能找到關(guān)于上述謎題的一些線索。使用 dis包來查看字節(jié)碼指令。dis是一個Python包，用于分析和解碼字節(jié)碼，并以人們可以理解的方式顯示出來。dis.dis() 的輸出結(jié)構(gòu)如下：

本文不詳細介紹dis包的細節(jié)，只關(guān)注Operation Named的一列。Operation name指示Python解釋器的行為。如果你非常好奇，那么名為ceval.c的文件可以回答。以上兩個代碼都運行了dis.dis()，為了簡化操作，本文突出顯示重要部分，即循環(huán)部分。下圖顯示了這兩個代碼的字節(jié)碼：

如圖所示，兩個代碼在給定的指令方面非常相似。但是，仔細觀察，會發(fā)現(xiàn)字節(jié)碼中有一些細微的(但是很重要的)差異。在代碼1中，可以看到STORE_NAME和LOAD_NAME，但是在代碼2中，可以看到STORE_FAST和LOAD_FAST。運行時間的差異似乎是由于這兩種指令類型的不同造成的。可以查看ceval.c文件來了解其中的差異。

簡而言之，在代碼1中，解釋器處理變量i和x的方式與代碼2不同(注意_NAME和_FAST后綴)。代碼1中，i和x都是全局變量，而CPython將這些變量存儲在字典數(shù)據(jù)結(jié)構(gòu)中，這使得加載過程比存儲在固定大小數(shù)組中的局部變量耗時更久。與字典相比，從固定大小的數(shù)組中檢索變量要快得多。

為什么Python這么做?很簡單，因為在主代碼中，不知道有多少變量會出現(xiàn)，但是在一個函數(shù)中變量的數(shù)量是固定的。

如果這是原因所在，來做個測試：把解釋器打亂，在代碼2(快速代碼)中將x和i變量定義為全局變量，并再次測量運行時間。這是改變后的代碼2：

defmain(): 
          global i, x 
          for i inrange(10**7): 
              x = i %5 
       main() 

代碼3與代碼2相同，只是定義了變量i和x，以查看全局變量是否是導致難題代碼性能變慢的原因。

運行代碼3，用時805毫秒(代碼2用時434 毫秒)。代碼3的用時非常接近于代碼1(即739毫秒)。這正如預計的，處理全局變量比處理局部變量(固定大小的數(shù)組與字典)花費更多的時間。

如你所見，只需要了解一點關(guān)于Python解釋器的工作原理，以及從dis庫中得到幫助，這個難題即可迎刃而解。