让 Python 拥有 C/C++ 一样的速度，编译神器 Codon 发布！

关注

转载最新推荐文章于 2026-09-07 00:25:56 发布 4.3k 阅读 AI 写同款· GEO 优化 ›

Python效率优化：7个提升Python后端性能的工具通过使用以上这些Python效率工具，我们可以显著提升Python后端应用程序的性能。无论是使用即时编译器、静态类型化扩展，还是利用并行处理、异步编程等技术，都可以根据具体场景选择合适的工具来优化Python代码。通过不断优化和改进，我们可以充分发挥Python的优势，提供高效的后端服务。Python是一种简单易学的编程语言，但在处理大规模数据和高并发场景下，其执行效率可能不如其他编程语言。本文将介绍7个常用的Python效率工具，并提供相应的源代码示例。阅读详情

Python 的运行速度快吗？虽说不同场景不同定论，但整体而言，它没有 C、Java 快。这也导致 Python 凭借可读性、简单易上手、良好的生态系统横行 AI 领域时，一提到速度，就成为众多开发者头疼的问题。

为了解决这一难题，麻省理工学院的计算机科学家出手了，他们共同研发了一种名为 Codon 的 Python 编译器，可以将 Python 代码转化为本地机器代码，而不会对运行时的性能产生影响。

当前，Codon 已经在 GitHub 上开源：https://github.com/exaloop/codon，斩获 6300 个 Star。

Codon 与 C/C++ 性能相当

"在单线程上，比 Python 的典型速度提高了 10-100 倍或更多，"Codon repo写道，"Codon 的性能通常与 C/C++ 的性能相当（有时甚至更好）。"

与 Python 不同的是，Codon 支持本地多线程，这可以使速度提高许多倍。

Codon 最初是作为一个在 Python 中创建高性能特定领域语言（DSL，domain-specific language）的框架而开发的。DSL 是专注于特定目的的语言，而不是像 Python 或 C 这样的通用编程语言。

据官方 GitHub repo 透露，Codon 源于 Seq 项目，后者是一个用于生物信息学和遗传学的 DSL，现如今它已经成长为一个与 Python 3 基本兼容的语言编译器。

近期，外媒 The Register 通过该工具的研究团队内部最新分享了一个关于 Codon 的论文。本论文的作者包含了，MIT、维多利亚大学等多名研究人员，如 Ariya Shajii（Exaloop）、Gabriel Ramirez（MIT CSAIL）、Haris Smajlović（加拿大维多利亚大学）、Jessica Ray（MIT CSAIL）、Bonnie Berger（MIT CSAIL）、Saman Amarasinghe（MIT CSAIL）和 Ibrahim Numanagić（维多利亚大学）。

这篇论文指出，"与其他面向性能的 Python 实现（如 PyPy 或 Numba）不同，Codon 是作为一个独立的系统从头开始构建的，它可以提前编译为静态可执行文件，并且不与现有的 Python 运行时（如 CPython 或 RPython）绑定执行。因此，Codon 可以实现更好的性能，并克服运行时的特定问题，如全局解释器锁"。

在论文中，作者也讨论了各种基于 Codon 的高性能 DSL，这些 DSL 设计用于生物信息学、数据压缩和并行编程，也利用了 Codon 的编译器基础设施。但是 Codon 可以大幅加速标准的 Python 程序，尽管那些依赖外部库（如 Django 或 DocUtils）的程序必须依赖 CPython 桥接，这就限制了 CPython 的性能。

"Codon 不需要使用像 numpy 这样的 C 语言实现的库来重写程序，也不需要完全用 C 语言重写，而是可以使用相同的 Python 实现，并给出你用 C 语言重写的相同性能"，麻省理工学院教授和 CSAIL 首席研究员 Saman Amarasinghe说道，"因此，我相信 Codon 是成功的 Python 应用程序的最简单的前进道路，这些应用程序由于缺乏性能而达到了一个极限。"

测试

那么 Codon 是否真的如说的那样快？在 Codon 论坛上，一位开发者进行了测试：


$ cat fib.py 

def fib(n):
    if n == 0:
        return 0
    elif n == 1:
        return 1
    else:
        return fib(n-1) + fib(n-2)

if __name__ == "__main__":
    import sys
    print(fib(int(sys.argv[1])))

CPython 3.11

$ python fib.py 40102334155# mem: 8'816_KB# time: 18.42_s

PyPy 7.3.9

$ pypy fib.py 40102334155# mem: 74'596_kB# time: 4.99_s# ~= 3.7x

Codon compiled

$ codon build -release fib.py$ ./fib 40102334155# mem: 5'612_kB# time: 0.26_s# ~= 70.8x

Codon with python interpreter

# in fibpy.py, we just add `@python` decorator to fib function$ codon build -release fibpy.pyexport CODON_PYTHON=/path/to/libpython3.11.so$ ./fibpy 40102334155# mem: 12'828# time: 18.49# ~= 1x

最终发现，一个简单的 Codon 编译的斐波那契脚本比 CPython 版本快 70 多倍。

除此之外，该研究团队也在 GitHub 上贴出了 Codon 基准测试套件的结果，比较了 Python、PyPy、C++ 和 Codon 在一系列任务和应用上的表现。该基准测试是在以下设置上运行的：

最终结果如下所示：

据 Codon 官方文档显示，虽然 Codon 的语法和语义与 Python 的几乎相同，但还是有一些值得一提的区别，如数据类型方面：

整数。Codon 的 int 是一个 64 位有符号的整数，而 Python 的（在版本 3 之后）可以是任意大的。然而 Codon 通过 Int[N] 支持更大的整数，其中 N 是位宽。
字符串。Codon 目前使用 ASCII 字符串，与 Python 的 unicode 字符串不同。
字典。Codon 的字典类型不保留插入顺序，与 Python 3.6 的不同。

此外，Codon 和 Python 在类型检查、数值运算、模块等维度还有些许的不同，更详细的内容可参考：https://docs.exaloop.io/codon/general/differences据悉，Codon 已经被商业化地应用在金融和生物信息学、深度学习等领域。