文章目录

• 一. Cython简介
• 一. Cython编译
• • 2.1. 编译过程
  • 2.2. 环境安装
  • 2.3. disutils库
  • 2.4. 引入C源文件
• 三. 总结
• 参考文献

一. Cython简介

• Cython官网地址：https://cython.org/
• Cython的下载和安装：https://pypi.org/project/Cython/

• Cython是一个快速生成Python扩展模块的工具，从语法层面上来讲是 Python语法和C语言语法的混血，当Python性能遇到瓶颈时，Cython直接将C的原生速度植入Python程序，这样使Python程序无需使用C重写，能快速整合原有的Python程序，这样使得开发效率和执行效率都有很大的提高，而这些中间的部分，都是Cython帮我们做了。

一. Cython编译

• 因为Cython是 Python 的超集，所以 Python 解释器无法直接运行 Cython 的代码，那么如何才能将 Cython 代码变成 Python 解释器可以识别的有效代码呢？答案是通过 Cython 编译 Pipeline。
• Pipeline 的职责就是将 Cython 代码转换成 Python 解释器可以直接导入并使用的 Python 扩展模块，这个 Pipeline 可以在不受用户干预的情况下自动运行（使 Cython 感觉像 Python 一样），也可以在需要更多控制时由用户显式的运行。

2.1. 编译过程

• Pipeline由两步组成：
• 第一步 是由 cython 编译器负责将 Cython 转换成经过优化并且依赖当前平台的 C、C++ 代码；
• 第二步 是使用标准的 C、C++ 编译器将第一步得到的 C、C++ 代码进行编译并生成标准的扩展模块，并且这个扩展模块是依赖特定的平台的。如果是在 Linux 或者 Mac OS，那么得到的扩展模块的后缀名为 .so，如果是在 Windows 平台，那么得到的扩展模块的后缀名为 .pyd(扩展模块 .pyd 本质上是一个 DLL 文件)。不管是什么平台，最终得到的都会是一个成熟的 Python 扩展模块，它是可以直接被 Python 解释器进行 import 的。

• 注意： Cython编译器是一种源到源的编译器，并且生成的扩展模块也是经过高度优化的，因此Cython生成的C代码编译得到的扩展模块比手写的C代码编译得到的扩展模块运行的要快并不是一件稀奇的事情。因为 Cython 生成的 C 代码是经过高度精炼，所以大部分情况下比手写所使用的算法更优，而且 Cython 生成的 C 代码支持所有的通用 C 编译器，生成的扩展模块同时支持许多不同的 Python 版本。

2.2. 环境安装

• 现在我们知道在编译 Pipeline 中有两个步骤，而实现这两个步骤需要我们确保机器上有 C、C++ 编译器以及 Cython 编译器，不同的平台有不同的选择。

• C、C++编译器： Linux 和 Mac OS无需多说，因为它们都自带 gcc，但是注意：如果是 Linux 的话，我们还需要 yum install python3-devel（以 CentOS 为例）。至于 Windows，可以下载一个 Visual Studio，但是那个玩意会比较大，如果不想下载 vs 的话，那么可以选择安装一个 MinGW 并设置到环境变量中，至于下载方式可以去https://sourceforge.net/projects/mingw/files/ 进行下载。

• 安装cython编译器 安装 cython 编译器的话，可以直接通过 pip install cython 即可。因此我们看到 cython 编译器只是 Python 的一个第三方包，因此运行 Cython 代码同样要借助 Python 解释器。

# 方式1
(allennlp_zkf) zkf@ubuntu:/data/aibox/kaifang/trans/cython$ cython -V
Cython version 0.29.32# 方式2
import Cython
print(Cython.__version__)
# 0.29.32

2.3. disutils库

• Python有一个标准库disutils，可以用来构建、打包、分发 Python 工程。而其中一个对我们有用的特性就是 它可以借助C编译器将C源码编译成扩展模块，并且这个模块是自带的、考虑了平台、架构、Python 版本等因素，因此我们在任意地方使用disutils都可以得到扩展模块。
• 注意：上面 disutils 只是帮我们完成了 Pipeline 的第二步，那第一步呢？第一步则是需要 cython 来完成。

• 斐波那契数列，指的是这样一个数列：1、1、2、3、5、8、13、21、34、55、89

def fib(n):""" 这是一个扩展模块 """cdef int icdef double a = 0.0, b = 1.0for i in range(n):a, b = a + b, areturn a  # 最后一个数字

• 然后我们对其进行编译：

from distutils.core import setup
from Cython.Build import cythonize'''
我们说构建扩展模块的过程分为两步
1. 将Cython代码翻译成C代码; 
2. 根据C代码生成扩展模块.
第一步要由cython编译器完成, 通过cythonize;
第二步要由distutils完成, 通过distutils.core下的setup'''
# 里面的 language_level=3 表示只需要兼容python3即可, 而默认是2和3都兼容
# 强烈建议加上这个参数, 因为目前为止我们只需要考虑python3即可
setup(ext_modules=cythonize("fib.pyx", language_level=3))'''
cythonize负责将Cython代码转成C代码, 这里我们可以传入单个文件, 也可以是多个文件组成的列表
或者一个glob模式, 会匹配满足模式的所有Cython文件; 然后setup根据C代码生成扩展模块
'''

• 编译后产生的文件： 这个文件叫做 setup.py，这里只是做了准备，但是还没有进行编译。我们需要终端执行 python setup.py build 进行编译。在我们执行命令之后，当前目录会多出一个build目录，里面的结构如下。重点是那个fib.cpython-37m-x86_64-linux-gnu.so(windows系统的话就是.pyd结尾的)文件，该文件就是根据 fib.pyx 生成的扩展模块，至于其它的可以直接删掉了。我们把这个文件单独拿出来测试一下：

import fib
import tracebackprint(fib)  # # try:
#     # 我们在里面定义了一个fib函数, 在fib.so里面定义的函数在编译成扩展模块之后可以直接使用
#     print(fib.fib("xx"))  # 6765.0
#
#
# except Exception:
#     print(traceback.format_exc())# 因为我们定义的是fib(int n), 而传入的不是整型, 所以直接报错
print(fib.fib(20))  # 6765.0# 我们的注释
print(fib.fib.__doc__)
# 这是一个扩展模块

<module 'fib' from '/data/aibox/kaifang/trans/cython/fib.so'>
Traceback (most recent call last):File "/data/aibox/kaifang/trans/cython/test_fib.py", line 16, in <module>print(fib.fib("xx"))  # 6765.0File "fib.pyx", line 14, in fib.fibfor i in range(n):
TypeError: an integer is required55.0这是一个扩展模块 

2.4. 引入C源文件

• 除此之外我们还可以嵌入 C、C++ 的代码，我们来看一下。

// cfib.h
double cfib(int n);  // 定义一个函数声明//cfib.c
double cfib(int n) {int i;double a=0.0, b=1.0, tmp;for (i=0; i<n; ++i) {tmp = a; a = a + b; b = tmp;}return a;
} // 函数体的实现

• 然后是.pyx文件：

# 通过 cdef extern from 导入头文件, 写上里面的函数
cdef extern from "cfib.h":double cfib(int n)# 然后 Cython 可以直接调用
def fib_with_c(n):"""调用 C 编写的斐波那契数列"""return cfib(n)

• 最后是编译：

from distutils.core import setup, Extension
from Cython.Build import cythonize# 我们看到之前是直接往 cythonize 里面传入一个文件名即可
# 但是现在我们传入了一个 Extension 对象, 通过 Extension 对象的方式可以实现更多功能
# 这里指定的 name 表示编译之后的文件名, 显然编译之后会得到 wrapper_cfib.cp38-win_amd64.pyd
# 如果是之前的方式, 那么得到的就是 fib.cp38-win_amd64.pyd, 默认会和 .pyx 文件名保持一致, 这里我们可以自己指定
# sources 则是代表源文件, 这里我们只需要指定 pyx 和 c 源文件即可, 因为头文件也在同一个目录中
# 如果不在, 那么还需要通过 include_dirs 指定头文件的所在目录, 不然 extern from "cfib.h" 就报错了
ext = Extension(name="wrapper_cfib", sources=["fib.pyx", "cfib.c"])
setup(ext_modules=cythonize(ext))

• 然后我们来调用一下：

# !/usr/bin/env python
# -*- encoding: utf-8 -*-
import wrapper_cfibprint(wrapper_cfib.fib_with_c(20))  # 6765.0
print(wrapper_cfib.fib_with_c.__doc__)  # 调用 C 编写的斐波那契数列

6765.0
调用 C 编写的斐波那契数列Process finished with exit code 0

• 我们看到成功调用 C 编写的斐波那契数列，这里我们使用了一种新的创建扩展模块的方法，我们来总结一下。
• 如果是单个pyx文件的话, 那么直接通过 cythonize("xxx.pyx") 即可；
• 如果 pyx 文件还引入了 C 文件, 那么通过 cythonize(Extension(name="xx", sources=["", ""])) 的方式即可；name 是编译之后的扩展模块的名字, sources 是你要编译的源文件, 我们这里是一个 pyx 文件一个 C 文件；

• 建议后续都使用第二种方式，可定制性更强，而且我们之前使用的 cythonize("fib.pyx") 完全可以用 cythonize(Extension("fib", ["fib.pyx"])) 进行替代。

三. 总结

• 目前我们介绍了如何将 pyx 文件编译成扩展模块，对于一个简单的 pyx 文件来说，方法如下：

from distutils.core import setup, Extension
from Cython.Build import cythonize# 推荐以后就使用这种方法
ext = Extension(name="wrapper_fib",  # 生成的扩展模块的名字sources=["fib.pyx"],  # 源文件
)
setup(ext_modules=cythonize(ext, language_level=3))  # 指定Python3

参考文献

• Cython官网地址：https://cython.org/
• 《Cython系列》2.编译并运行 Cython 代码的几种方式：https://www.cnblogs.com/traditional/p/13213173.html
• https://www.cnblogs.com/traditional/
• https://www.jianshu.com/p/9053dacee822

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！