原標題：騰訊十年Python開發(fā)老司機推薦的入門書籍，你確定不看嗎？

稍微關心編程語言的使用趨勢的人都知道，最近幾年，國內(nèi)最火的兩種語言非 Python 與 Go 莫屬，于是，隔三差五就會有人問：這兩種語言誰更厲害/好找工作/高工資……

對于編程語言的爭論，就是猿界的生理周期，每個月都要鬧上一回。到了年末，各類榜單也是特別抓人眼球，鬧得更兇。

其實，它們各有對方所無法比擬的優(yōu)勢以及用武之地，很多爭論都是沒有必要的。身為一個正在努力學習 Python 的(準)中年程序員，我覺得吧，先把一門語言精進了再說。沒有差勁的語言，只有差勁的程序員，等真的把語言學好了，必定是“山重水復疑無路，柳暗花明又一村”。

Python高性能編程

Python高性能編程電子書籍下載： 鏈接：

https://pan.baidu.com/s/1xwF5dEYIbDmQOnZpy5amQA

提取碼：2d0d

(百度云盤提供)

本書適合已入門 Python、還想要進階和提高的讀者閱讀。

所有計算機語言說到底都是在硬件層面的數(shù)據(jù)操作，所以高性能編程的一個終極目標可以說是“高性能硬件編程”。然而，Python 是一門高度抽象的計算機語言，它的一大優(yōu)勢是開發(fā)團隊的高效，不可否認地存在這樣或那樣的設計缺陷，以及由于開發(fā)者的水平而造成的人為的性能缺陷。

本書的一大目的就是通過介紹各種模塊和原理，來促成在快速開發(fā) Python 的同時避免很多性能局限，既減低開發(fā)及維護成本，又收獲系統(tǒng)的高效。

1、性能分析是基礎

首先的一個關鍵就是性能分析，借此可以找到性能的瓶頸，使得性能調(diào)優(yōu)做到事半功倍。

性能調(diào)優(yōu)能夠讓你的代碼能夠跑得“足夠快”以及“足夠瘦”。性能分析能夠讓你用最小的代價做出最實用的決定。

書中介紹了幾種性能分析的工具：

(1)基本技術(shù)如 IPython 的 %timeit 魔法函數(shù)、time.time()、以及一個計時修飾器，使用這些技術(shù)來了解語句和函數(shù)的行為。

(2)內(nèi)置工具如 cProfile，了解代碼中哪些函數(shù)耗時最長，并用 runsnake 進行可視化。

(3)line_profiler 工具，對選定的函數(shù)進行逐行分析，其結(jié)果包含每行被調(diào)用的次數(shù)以及每行花費的時間百分比。

(4)memory_profiler 工具，以圖的形式展示RAM的使用情況隨時間的變化，解釋為什么某個函數(shù)占用了比預期更多的 RAM。

(5)Guppy 項目的 heapy 工具，查看 Python 堆中對象的數(shù)量以及每個對象的大小，這對于消滅奇怪的內(nèi)存泄漏特別有用。

(6)dowser 工具，通過Web瀏覽器界面審查一個持續(xù)運行的進程中的實時對象。

(7)dis 模塊，查看 CPython 的字節(jié)碼，了解基于棧的 Python 虛擬機如何運行。

(8)單元測試，在性能分析時要避免由優(yōu)化手段帶來的破壞性后果。

作者強調(diào)了性能分析的重要性，同時也對如何確保性能分析的成功提了醒，例如，將測試代碼與主體代碼分離、避免硬件條件的干擾(如在BIOS上禁用了TurboBoost、禁用了操作系統(tǒng)改寫SpeedStep、只使用主電源等)、運行實驗時禁用后臺工具如備份和Dropbox、多次實驗、重啟并重跑實驗來二次驗證結(jié)果，等等。

性能分析對于高性能編程的作用，就好比復雜度分析對于算法的作用，它本身不是高性能編程的一部分，但卻是最終有效的一種評判標準。

2、數(shù)據(jù)結(jié)構(gòu)的影響

高性能編程最重要的事情是了解數(shù)據(jù)結(jié)構(gòu)所能提供的性能保證。

高性能編程的很大一部分是了解你查詢數(shù)據(jù)的方式，并選擇一個能夠迅速響應這個查詢的數(shù)據(jù)結(jié)構(gòu)。

書中主要分析了 4 種數(shù)據(jù)結(jié)構(gòu)：列表和元組就類似于其它編程語言的數(shù)組，主要用于存儲具有內(nèi)在次序的數(shù)據(jù)；而字典和集合就類似其它編程語言的哈希表/散列集，主要用于存儲無序的數(shù)據(jù)。

本書在介紹相關內(nèi)容的時候很克制，所介紹的都是些影響“速度更快、開銷更低”的內(nèi)容，例如：內(nèi)置的 Tim 排序算法、列表的 resize 操作帶來的超額分配的開銷、元組的內(nèi)存滯留(intern機制)帶來的資源優(yōu)化、散列函數(shù)與嗅探函數(shù)的工作原理、散列碰撞帶來的麻煩與應對、Python 命名空間的管理，等等。

散列碰撞的結(jié)果

理解了這些內(nèi)容，就能更加了解在什么情況下使用什么數(shù)據(jù)結(jié)構(gòu)，以及如何優(yōu)化這些數(shù)據(jù)結(jié)構(gòu)的性能。

另外，關于這 4 種數(shù)據(jù)結(jié)構(gòu)，書中還得出了一些有趣的結(jié)論：對于一個擁有100 000 000個元素的大列表，實際分配的可能是112 500 007個元素；初始化一個列表比初始化一個元組慢5.1 倍；字典或集合默認的最小長度是8(也就是說，即使你只保存3個值，Python仍然會分配 8 個元素)、對于有限大小的字典不存在一個最佳的散列函數(shù)。

3、矩陣和矢量計算

矢量計算是計算機工作原理不可或缺的部分，也是在芯片層次上對程序進行加速所必須了解的部分。

然而，原生 Python 并不支持矢量操作，因為 Python 列表存儲的不是實際的數(shù)據(jù)，而是對實際數(shù)據(jù)的引用。在矢量和矩陣操作時，這種存儲結(jié)構(gòu)會造成極大的性能下降。比如，grid[5][2] 中的兩個數(shù)字其實是索引值，程序需要根據(jù)索引值進行兩次查找，才能獲得實際的數(shù)據(jù)。

同時，因為數(shù)據(jù)被分片存儲，我們只能分別對每一片進行傳輸，而不是一次性傳輸整個塊，因此，內(nèi)存?zhèn)鬏數(shù)拈_銷也很大。

減少瓶頸最好的方法是讓代碼知道如何分配我們的內(nèi)存以及如何使用我們的數(shù)據(jù)進行計算。

Numpy 能夠?qū)?shù)據(jù)連續(xù)存儲在內(nèi)存中并支持數(shù)據(jù)的矢量操作，在數(shù)據(jù)處理方面，它是高性能編程的最佳解決方案之一。

Numpy 帶來性能提升的關鍵在于，它使用了高度優(yōu)化且特殊構(gòu)建的對象，取代通用的列表結(jié)構(gòu)來處理數(shù)組，由此減少了內(nèi)存碎片；此外，自動矢量化的數(shù)學操作使得矩陣計算非常高效。

Numpy 在矢量操作上的缺陷是一次只能處理一個操作。例如，當我們做 A * B + C 這樣的矢量操作時，先要等待 A * B 操作完成，并保存數(shù)據(jù)在一個臨時矢量中，然后再將這個新的矢量和 C 相加。

Numexpr 模塊可以將矢量表達式編譯成非常高效的代碼，可以將緩存失效以及臨時變量的數(shù)量最小化。另外，它還能利用多核 CPU 以及 Intel 芯片專用的指令集來將速度最大化。

書中嘗試了多種優(yōu)化方法的組合，通過詳細的分析，展示了高性能編程所能帶來的提升效果。

4、編譯器

書中提出一個觀點：讓你的代碼運行更快的最簡單的辦法就是讓它做更少的工作。

編譯器把代碼編譯成機器碼，是提高性能的關鍵組成部分。

不同的編譯器有什么優(yōu)勢呢，它們對于性能提升會帶來多少好處呢？書中主要介紹了如下編譯工具：

Cython ——這是編譯成C最通用的工具，覆蓋了Numpy和普通的Python代碼(需要一些C語言的知識)。

Shed Skin —— 一個用于非Numpy代碼的，自動把Python轉(zhuǎn)換成C的轉(zhuǎn)換器。

Numba —— 一個專用于Numpy的新編譯器。

Pythran —— 一個用于Numpy和非numpy代碼的新編譯器。

PyPy —— 一個用于非Numpy代碼的，取代常規(guī)Python可執(zhí)行程序的穩(wěn)定的即時編譯器。

書中分析了這幾種編譯器的工作原理、優(yōu)化范圍、以及適用場景等，是不錯的入門介紹。此外，作者還提到了其它的編譯工具，如Theano、Parakeet、PyViennaCL、ViennaCL、Nuitka 與 Pyston 等，它們各有取舍，在不同領域提供了支撐之力。

5、密集型任務

高性能編程的一個改進方向是提高密集型任務的處理效率，而這樣的任務無非兩大類：I/O 密集型與 CPU 密集型。

I/O 密集型任務主要是磁盤讀寫與網(wǎng)絡通信任務，占用較多 I/O 時間，而對 CPU 要求較少；CPU 密集型任務恰恰相反，它們要消耗較多的 CPU 時間，進行大量的復雜的計算，例如計算圓周率與解析視頻等。

改善 I/O 密集型任務的技術(shù)是異步編程 ，它使得程序在 I/O 阻塞時，并發(fā)執(zhí)行其它任務，并通過“事件循環(huán)”機制來管理各項任務的運行時機，從而提升程序的執(zhí)行效率。

書中介紹了三種異步編程的庫：Gevent、Tornado 和 Asyncio，對三種模塊的區(qū)別做了較多分析。

改善 CPU 密集型任務的主要方法是利用多核 CPU 進行多進程的運算。

Multiprocessing 模塊基于進程和基于線程的并行處理，在隊列上共享任務，以及在進程間共享數(shù)據(jù)，是處理CPU密集型任務的重要技術(shù)。

書中沒有隱瞞它的局限性：Amdahl 定律揭示的優(yōu)化限度、適應于單機多核而多機則有其它選擇、全局解釋鎖 GIL 的束縛、以及進程間通信(同步數(shù)據(jù)和檢查共享數(shù)據(jù))的開銷。針對進程間通信問題，書中還分析了多種解決方案，例如 Less Na?ve Pool、Manager、Redis、RawValue、MMap 等。

6、集群與現(xiàn)場教訓

集群是一種多服務器運行相同任務的結(jié)構(gòu)，也就是說，集群中的各節(jié)點提供相同的服務，其優(yōu)點是系統(tǒng)擴展容易、具備容災恢復能力。

集群需要克服的挑戰(zhàn)有：機器間信息同步的延遲、機器間配置與性能的差異、機器的損耗與維護、其它難以預料的問題。書中列舉了兩個慘痛的教訓：華爾街公司騎士資本由于軟件升級引入的錯誤，損失4.62億美元；Skype 公司 24 小時全球中斷的嚴重事故。

書中給我們重點介紹了三個集群化解決方案：Parallel Python、IPython Parallel 和 NSQ。引申也介紹了一些普遍使用的方案，如 Celery、Gearman、PyRes、SQS。

關于現(xiàn)場教訓，它們不僅僅是一些事故或者故事而已，由成功的公司所總結(jié)出來的經(jīng)驗更是來之不易的智慧。書中單獨用一章內(nèi)容分享了六篇文章，這些文章出自幾個使用 Python 的公司/大型組織，像是Adaptive Lab、RadimRehurek、Smesh、PyPy 與 Lanyrd ，這些國外組織的一線實踐經(jīng)驗，應該也能給國內(nèi)的 Python 社區(qū)帶來一些啟示。

7、寫在最后

眾所周知，Python 應用前景大、簡單易學、方便開發(fā)與部署，然而與其它編程語言相比，它的性能幾乎總是落于下風。如何解決這個難題呢？本期薦書的書目就是一種回應。

《Python高性能編程》全書從微觀到宏觀對高性能編程的方方面面做了講解，主要包含以下主題：計算機內(nèi)部結(jié)構(gòu)的背景知識、列表和元組、字典和集合、迭代器和生成器、矩陣和矢量計算、編譯器、并發(fā)、集群和工作隊列等。這些內(nèi)容為編寫更快的 Python 指明了答案。

本篇文章主要以梳理書中的內(nèi)容要點為主，平均而兼顧地理清了全書脈絡(PS：太面面俱到了，但愿不被指責為一篇流水賬的讀書筆記才好……)。我認為，鑒于書中談及的這些話題，它就足以成為我們薦書欄目的一員了。除去某些句段的糟糕翻譯、成書時間比較早(2014年)而造成的過時外，這本書總體質(zhì)量不錯，可稱為是一份優(yōu)秀的高性能編程的指引手冊。返回搜狐，查看更多

責任編輯：

總結(jié)

以上是生活随笔為你收集整理的通信系统设计与python的书_腾讯十年Python开发老司机推荐的入门书籍，你确定不看吗？...的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。