Python語言近年來人氣爆棚。它廣泛應用於網路開發運營，資料科學，網路開發，以及網路安全問題中。
然而，Python在速度上完全沒有優勢可言。
在速度上，Java如何同C，C++，C#或者Python相比較？答案几乎完全取決於要執行的應用。在這個問題上，沒有完美的評判標準，然而The Computer Language Benchmarks Game 是一個不錯的方法。
連結：
http://benchmarksgame.alioth.debian.org
基於我對The Computer Language Benchmarks Game超過十年的觀察，相比於Java，C#，Go，JavaScript， C++等，Python是最慢的語言之一。其中包括了 JIT （C#， Java） 和 AOT （C， C++）編譯器，以及解釋型語言，例如JavaScript。
動態編譯：
https://en.wikipedia.org/wiki/Just-in-time_compilation
靜態編譯：
https://en.wikipedia.org/wiki/Ahead-of-time_compilation
注意：當我提到“Python”時，我指的是CPython這個官方的直譯器。我也將在本文中提及其他的直譯器。
我想要回答這樣一個問題：當執行同一個程式時，為什麼Python會 比其他語言慢2到10倍？為什麼我們無法將它變得更快？
以下是最主要的原因：
“它是GIL（Global Interpreter Lock全域性直譯器鎖）”
“它是解釋型語言而非編譯語言”
“它是動態型別語言”
那麼以上哪種原因對效能影響最大呢？
“它是全域性直譯器鎖”
現代計算機的CPU通常是多核的，並且有些擁有多個處理器。為了充分利用多餘的處理能力，作業系統定義了一種低階的結構叫做執行緒：一個程式（例如Chrome瀏覽器）可以產生多個執行緒並且指導內部系統。
如果一個程式是CPU密集型，那麼其負載可以被多核同時處理，從而有效提高大多數應用的速度。
當我寫這篇文章時，我的Chrome瀏覽器同時擁有44個執行緒。注意，基於POSIX（比如MacOS和Linux）和Windows作業系統相比，執行緒的結構和API是不同的。作業系統也會處理執行緒的排程問題。
如果你之前沒有做過多執行緒程式設計，你需要快速熟悉鎖的概念。區別於單執行緒程式，你需要確保當記憶體中的變數被修改時，多執行緒不會同時試圖訪問或者改變同一個儲存地址。
當CPython建立變數時，它會預先分配儲存空間，然後計算當前變數的引用數目。這個概念被稱為引用計數。如果引用計數為零，那麼它將從系統中釋放對應儲存區域。
這就是為什麼在CPython中創造“臨時”變數不會使應用佔用大量的儲存空間——尤其是當應用中使用了for迴圈這一類可能大量建立“臨時”變數的結構時。
當存在多個執行緒呼叫變數時，CPython如何鎖住引用計數成為了一個挑戰。而“全域性解釋鎖”應運而生，它能夠謹慎控制執行緒的執行。無論有多少的執行緒，直譯器每次只能執行一個操作。
這對Python的效能意味著什麼呢？
如果你的應用基於單執行緒、單直譯器，那麼討論速度這一點就毫無意義，因為去掉GIL並不會影響程式碼效能。
如果你想使用執行緒在單直譯器（Python 程式）中實現併發，並且你的執行緒為IO密集型（例如網路IO或磁碟IO），你就會看到GIL爭用的結果。
該圖來自David Beazley的GIL視覺化
如果你有一個網路應用（例如Django）並且使用WSGI，那麼每一個對於你的網路應用的請求將是一個獨立的Python直譯器，因此每個請求只有一個鎖。因為Python直譯器啟動很慢，一些WSGI便整合了能夠使保持Python程式的“守護程式” 。
那麼其他Python直譯器的速度又如何呢？
PyPy擁有GIL，通常比CPython快至少三倍。
Jython沒有GIL，因為在Jython中Python執行緒是用Java執行緒表示的，這得益於JVM記憶體管理系統。
JavaScript是如何做到這一點的呢？
首先，所有的Javascript引擎使用標記加清除的垃圾收集系統，而之前提到GIL的基本訴求是CPython的儲存管理演算法。
JavaScript沒有GIL，但因為它是單執行緒的，所以也並不需要GIL。
JavaScript透過事件迴圈和承諾／回撥模式來實現非同步程式設計的併發。Python有與非同步事件迴圈相似的過程。
“因為它是解釋型語言”
我經常聽到這句話。我覺得這只是對於CPython實際執行方式的一種簡單解釋。如果你在終端中輸入python myscript.py，那麼CPython將對這段程式碼開始一系列的讀取，詞法分析，解析，編譯，解釋和執行。
這個過程中的重要步驟是在編譯階段建立一個.pyc 檔案，這個位元組碼序列將被寫入Python3下__pycache__/ 路徑中的一個檔案（對於Python2，檔案路徑相同）。這個步驟不僅僅應用於指令碼檔案，也應用於所有匯入的程式碼，包括第三方模組。
所以大多時候（除非你寫的程式碼只執行一次），Python是在解釋位元組碼並且本地執行。下面我們將Java和C#.NET相比較：
Java編譯成一門“中間語言”，然後Java虛擬機器讀取位元組程式碼並即時編譯為機器程式碼。.NET的通用中間語言（CIL）是一樣的，它的通用語言執行時間（CLR）也採用即時編譯的方法轉化為機器程式碼。
那麼，如果Python用的是和Java和C#一樣的虛擬機器和某種位元組程式碼，為什麼在基準測試中它卻慢得多？首先，.NET和Java是採用JIT編譯的。
JIT，又稱即時編譯，需要一種中間語言來把程式碼進行分塊（或者叫資料幀）。預編譯（AOT, Ahead of Time）器的設計保證了CPU能夠在互動之前理解程式碼中的每一行。
JIT本身不會使執行速度更快，因為它仍然執行相同的位元組碼序列。但是，JIT允許在執行時進行最佳化。好的JIT最佳化器可以檢測哪些部分執行次數比較多，這些部分被稱為“熱點”。然後，它將用更高效的程式碼替換它們，完成最佳化。
這就意味著當計算機應用程式需要重複做一件事情的時候，它就會更加地快。另外，我們要知道Java和C#是強型別語言（變數需要預定義），因此最佳化器可以對程式碼做更多的假設。
PyPy使用即時編譯器，並且前文也有提到它比CPython更快。這篇關於基準測試的文章介紹得更為詳細——什麼版本的Python最快？
連結：
https://hackernoon.com/which-is-the-fastest-version-of-python-2ae7c61a6b2b
那麼，為什麼CPython不使用即時編譯器呢？
JIT存在一些缺點：其中一個是啟動時間。CPython啟動時間已經相對較慢，PyPy比CPython還要慢2-3倍。眾所周知，Java虛擬機器的啟動速度很慢。為了解決這個問題，.NET CLR在系統啟動的時候就開始執行，但CLR的開發人員還開發了專門執行CLR的作業系統來加快它。
如果你有一個執行時間很長的Python程式，並且其程式碼可以被最佳化（因為它包含前文所述的“熱點”），那麼JIT就能夠起到很大作用。
但是，CPython適用於各類應用。因此，如果你使用Python開發命令列應用程式，每次呼叫CLI時都必須等待JIT啟動，這將非常緩慢。
CPython必須儘量多地嘗試不同的案例以保證通用性，而把JIT插入到CPython中可能會讓這個專案停滯不前。
如果你想要藉助JIT的力量，而且你的工作量還比較大，那麼使用PyPy吧。
“因為它是一個動態型別語言”
在靜態型別語言中，定義變數時必須宣告型別。C, C++, Java, C#, Go都是這種語言。
在動態型別語言中，型別的概念依舊存在，但是這個變數的型別是動態變化的。
a = 1 a = "foo"
在上面這個例子中，Python建立第二個變數的時候用了同樣的名字，但是變數型別是str（字元型），這樣就對先前在記憶體中給a分配的空間進行了釋放和再分配。
靜態型別語言的這種設計並不是為了麻煩大家——它們是按照CPU的執行方式設計的。如果最終需要將所有內容都轉化為簡單的二進位制操作，那就必須將物件和型別轉換為低階資料結構。
Python自動完成了這個過程，我們看不見，也沒必要看見。
不必宣告型別不是使Python變慢的原因。Python語言的設計使我們幾乎可以建立任何動態變數。我們可以在執行時替換物件中的方法，也可以胡亂地把低階系統呼叫賦給一個值。幾乎怎麼修改都可以。
正是這種設計使得最佳化Python變得異常困難。
為了闡明我的觀點，我將使用一個MacOS中的應用。它是一個名為Dtrace的系統呼叫跟蹤工具。CPython發行版沒有內建DTrace，因此你必須重新編譯CPython。以下演示中使用3.6.6版本。
wget https://github.com/python/cpython/archive/v3.6.6.zip unzip v3.6.6.zip cd v3.6.6 ./configure --with-dtrace make
現在python.exe將在整條程式碼中使用Dtrace跟蹤器。Paul Ross就Dtrace做了一篇很棒的短演講。 你可以下載Python的DTrace啟動檔案來測試函式呼叫、執行時間、CPU時間、系統呼叫等各種有意思的事情。例如：
sudo dtrace -s toolkit/<tracer>.d -c ‘../cpython/python.exe script.py’
DTrace啟動檔案：
https://github.com/paulross/dtrace-py/tree/master/toolkit
演講連結：
https://github.com/paulross/dtrace-py#the-lightning-talk
py_callflow跟蹤器顯示應用程式中的所有函式呼叫
因此，是Python的動態型別讓它變慢的嗎？
比較和轉換型別是耗時的，因為每次讀取、寫入變數或引用變數型別時都會進行檢查
很難最佳化一種如此動態的語言。其他語言之所以那麼快是因為他們犧牲了一定的靈活性，從而提高了效能。
瞭解一下Cython，它結合了C-Static型別和Python來最佳化已知型別的程式碼，可以提供84倍速度的效能提升。
結論
Python的緩慢主要是由於它動態和多用途的特點。它可以用於解決幾乎所有問題，但是更加最佳化而快捷的替代方案可能存在。
但是，有一些方法可以透過利用非同步計算，理解分析工具，以及考慮使用多個直譯器來最佳化Python應用程式。
對於有些啟動時間相對不重要，並且即時編譯器（JIT）可以提高效率的應用，可以考慮使用PyPy。
對於效能優先並且有更多靜態變數的程式碼部分，請考慮使用Cython。