21、Python性能优化与增强提案解析

Python性能优化与增强提案解析

1. PyPy与多进程性能对比

在性能测试中，为避免耗时过长，仅进行了100万次函数调用。首先执行多进程调用，耗时近45秒。随后修改代码，去除多进程调用，分别使用普通Python和PyPy运行，耗时分别约为1.5秒和0.5秒。

多进程在某些情况下有用，但要充分利用它，需对程序进行大量优化。因为每个进程都需重新启动，存在类似函数调用的开销，所以多进程可能比单线程操作更慢。而且每个进程会占用一个CPU核心，在代码处理并行化的同时，该核心会被锁定直至处理完成。

对于少于100万次的调用，多进程表现良好。10万次调用时，总时间略低于4秒；1万次调用时，时间少于0.5秒，与PyPy相当。然而，当尝试以原始的10亿次调用运行代码时，作者配备八核的计算机出现严重卡顿，尝试终止进程后，计算机在1.5小时后才解除锁定。

多进程代码出现此问题的主要原因是未进行充分优化，只是在资源可用时简单调用函数。每个进程会占用CPU周期和内存空间，最终新进程需等待资源可用。而串行处理（如Python或PyPy）不存在此开销问题，即使多次调用也能快速处理。不过，这只是一个相对人为的测试，实际项目中哪种方法最佳会有很大差异。

总体而言，这充分展示了PyPy的性能优势以及它与多进程的对比情况。虽然结合PyPy和多进程可能可行，但从相关资料来看，PyPy社区似乎对提升并行处理性能兴趣不大，因此实际效果会有所不同。

不同调用次数下的性能对比

调用次数	多进程耗时	普通Python耗时