PyPy是一个虚拟机项目，主要分为两部分：一个Python的实现和 一个编译器
PyPy的第一部分: 用Python实现的Python
其实这么说并不准确，准确得说应该是用rPython实现的Python，rPython是Python的一个子集，虽然rPython不是完整的Python，但用rPython写的这个Python实现却是可以解释完整的Python语言。
PyPy的第二部分：编译器
这是一个编译rPython的编译器，或者说这个编译器有一个rPython的前端，目前也只有这么一个前端，不过它的后端却是不少，也就是说这个编译器支持许多的目标语言，比较重要的有：C，CIL，JavaScript...
第一部分看成pypy(1)第二部分看成pypy(2)
为什么你在同一层面下同时需要这两者？你可以这样想一下：PyPy(1)是一个用RPython写的解释器，因此它能加载用户的Python代码并将它编译成字节码。但是这个用RPython写的解释器本身要能运行，就必须要被另外一个Python实现去解释。我们可以直接用CPython去.运行这个解释器。但是这个还不够快取而代之，我们使用了PyPy(2)去编译这个PyPy的解释器，生成其他平台（比如C,JVM或CLI）代码在我们的机器上运行，并且还加入了JIT特性。JIT能够把字节码转换成机器语言，pypy之所以快，是因为它整合了JIT跟踪技术的优化编译器。
pypy性能测试
Cpython2.7.6，pyston0.2，pypy2.2.1的性能对比，使用的是pyston源代码目录下的minibenchmarks和microbenchmarks中
的python代码来跑，对比结果如下表所示
|
|
Cpython2.7.6 |
pyston0.2 |
|
|
microbenchmarks |
|
|
|
|
attribute_lookup.py |
258.544s |
200.387s |
2.667s |
|
attrs.py |
0.622s |
1.658s |
0.086s |
|
closures.py |
0.485s |
6.658s |
0.058s |
|
empty_loop.py |
3.532s |
19.248s |
0.248s |
|
fib2.py |
3.375s |
0.669s |
0.804s |
|
fib.py |
3.696s |
0.636s |
0.864s |
|
function_calls.py |
5.283s |
0.878s |
0.303s |
|
gcj_2014_2_b.py |
1.527s |
45.803s |
0.276s |
|
gcj_2014_3_b.py |
0.022s |
0.174s |
0.069s |
|
iteration.py |
0.185s |
1.242s |
0.062s |
|
lcg.py |
2.910s |
9.097s |
0.235s |
|
listcomp_bench.py |
10.132s |
56.170s |
1.379s |
|
nested.py |
0.368s |
6.828s |
0.057s |
|
polymorphism.py |
4.358s |
4.390s |
14.260s |
|
prime_summing.py |
20.197s |
43.779s |
1.250s |
|
pydigits.py |
0.034s |
Failed |
0.039s |
|
repatching.py |
0.475s |
0.384s |
0.061s |
|
simple_sum.py |
0.075s |
0.578s |
0.040s |
|
sort.py |
2.216s |
4.587s |
0.135s |
|
thread_contention.py |
6.486s |
8.133s |
0.240s |
|
thread_uncontended.py |
1.324s |
5.823s |
0.238s |
|
unwinding.py |
1.082s |
93.180s |
4.481s |
|
vecf_add.py |
9.890s |
Failed |
0.059s |
|
vecf_dot.py |
4.944s |
8.434s |
0.062s |
|
|
|
|
|
|
minibenchmarks |
|
|
|
|
allgroup.py |
0.836s |
Failed |
18.804s |
|
chaos.py |
26.268s |
Failed |
1.392s |
|
fannkuch_med.py |
0.990s |
1.898s |
0.325s |
|
fannkuch.py |
10.952s |
20.834s |
2.057s |
|
Go.py |
53.787s |
Failed |
33.638s |
|
interp2.py |
5.521s |
10.124s |
0.701s |
|
interp.py |
10.863s |
5.035s |
0.563s |
|
nbody_med.py |
3.132s |
6.642s |
0.601s |
|
nbody.py |
12.677s |
25.540s |
1.470s |
|
nq.py |
29.879s |
Failed |
44.418s |
|
raytrace.py |
11.608s |
Failed |
1.228s |
|
spectral_norm.py: |
14.388s |
118.309s |
1.333s |
pypy编译除了有颜色背景的数据，其它测试结果基本都是最快的，其中15个程序代码测试结果所花时间不到Cpython的十分之一
pypy的缺陷
可以看出pypy实现python有很大的优势，但是目前来说很多公司的python项目仍然没有采用pypy来实现，原因是
pypy有一个缺陷：C扩展性弱，简单理解就是python程序中如果混合了C/C++代码，调用了C/C++的库，就会导pypy
不支持或者pypy运行速度变慢很多。而现在很多项目都是采用C/C++/Python混合编程。
但是pypy也有自己的兼容C/C++的方法(但是没有完全解决扩展性弱的问题），pypy有ctypes和cffi两种方式来
进行C扩展，以下是一些简单程序实验：
用ctypes的方式实现C++，python混合编程，先写一个.cpp然后在python文件中调用它，最后用Cpython，和pypy分别编译执行都可以跑,说明ctypes是支持C++扩展的
这次用pypy跑的速度就要Cpython不少了
总结
以上就是本文关于聊聊Python中的pypy的全部内容，希望对大家有所帮助。感兴趣的朋友可以继续参阅本站其他相关专题，如有不足之处，欢迎留言指出。感谢朋友们对本站的支持！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
