TIOBE每個月都會新鮮出爐一份流行編程語言排行榜，這里會列出最流行的20種語言。

排序說明不了語言的好壞，反應的不過是某個軟件開發領域的熱門程度。語言的發展不是越來越common，而是越來越專注領域。有的語言專注于簡單高效，比如python，內建的list，dict結構比c/c++易用太多，但同樣為了安全、易用，語言也犧牲了部分性能。

在有些領域，比如通信，性能很關鍵，但并不意味這個領域的coder只能苦苦掙扎于c/c++的陷阱中，比如可以使用多種語言混合編程。

我看到的一個很好的Python與c/c++混合編程的應用是NS3(Network Simulator3)一款網絡模擬軟件，它的內部計算引擎需要用高性能，但在用戶建模部分需要靈活易用。NS3的選擇是使用C/C++來模擬核心部件和協議，用python來建模和擴展。

這篇文章介紹python和c/c++三種混合編程的方法，并對性能加以分析。

混合編程的原理

首先要說一下python只是一個語言規范，實際上python有很多實現：CPython是標準Python，是由C編寫的，python腳本被編譯成CPython字節碼，然后由虛擬機解釋執行，垃圾回收使用引用計數，我們談與C/C++混合編程實際指的是基于CPython解釋上的。

除此之外，還有Jython、IronPython、PyPy、Pyston，Jython是Java編寫的，使用JVM的垃圾回收，可以與Java混合編程，IronPython面向.NET平臺。

python與C/C++混合編程的本質是python調用C/C++編譯的動態鏈接庫，關鍵就是把python中的數據類型轉換成c/c++中的數據類型，給編譯函數處理，然后返回參數再轉換成python中的數據類型。

python中使用ctypes moduel，將python類型轉成c/c++類型

首先，編寫一段累加數值的c代碼：

extern "C" {int addBuf(char* data, int num, char* outData); }int addBuf(char* data, int num, char* outData){for (int i = 0; i < num; ++i) { outData[i] = data[i] + 3; }return num; }

然后，將上面的代碼編譯成so庫，使用下面的編譯指令

>gcc -pthread -fno-strict-aliasing -g -O2 -DNDEBUG -g -fwrapv -O3 -Wall -Wstrict-prototypes -fPIC addbuf.c -o addbuf.o

最后編寫python代碼，使用ctypes庫，將python類型轉換成c語言需要的類型，然后傳參調用so庫函數：

from ctypes import * # cdll, c_int lib = cdll.LoadLibrary('libmathBuf.so') callAddBuf = lib.addBuf num = 4 numbytes = c_int(num) data_in = (c_byte * num)() for i in range(num): data_in[i] = i data_out = (c_byte * num)() ret = lib.addBuf(data_in, numbytes, data_out) #調用so庫中的函數

在C/C++程序中使用Python.h，寫wrap包裝接口

這種方法需要修改c/c++代碼，在外部函數中處理入/出參，適配python的參數。寫一段c代碼將外部入參作為shell命令執行：

#include static PyObject* SpamError;static PyObject* spam_system(PyObject* self, PyObject* args){const char* command;int sts;if (!PyArg_ParseTuple(args, "s", &command)) //將args參數按照string類型處理，給command賦值return NULL; sts = system(command); //調用系統命令if (sts < 0) { PyErr_SetString(SpamError, "System command failed");return NULL; }return PyLong_FromLong(sts); //將返回結果轉換為PyObject類型 }//方法表static PyMethodDef SpamMethods[] = { {"system", spam_system, METH_VARARGS,"Execute a shell command."}, {NULL, NULL, 0, NULL} };//模塊初始化函數PyMODINIT_FUNC initspam(void){ PyObject* m;//m = PyModule_Create(&spammodule); // v3.4 m = Py_InitModule("spam", SpamMethods);if (m == NULL)return; SpamError = PyErr_NewException("spam.error",NULL,NULL); Py_INCREF(SpamError); PyModule_AddObject(m,"error",SpamError); }

處理上所有的入參、出參都作為PyObject對象來處理，然后使用轉換函數把python的數據類型轉換成c/c++中的類型，返回參數按相同方式處理。比第一種方法多了初始化函數，這部分是把編譯的so庫當做python module所必需要做的。

python這樣使用：

imoprt spam spam.system("ls")

使用c/c++編寫python擴展可以參見：http://docs.python.org/2.7/extending/extending.html

使用SWIG，來生成獨立的wrap文件

這種方式并不能算是一種新方式，實際上是基于第二中方式的一種包裝。SWIG是個幫助使用C或者C++編寫的軟件能與其它各種高級編程語言進行嵌入聯接的開發工具。SWIG能應用于各種不同類型的語言包括常用腳本編譯語言例如Perl, PHP, Python, Tcl, Ruby, PHP，C#,Java,R等。

操作上，是針對c/c++程序編寫獨立的接口聲明文件(通常很簡單)，swig會分析c/c++源程序自動分析接口要如何包裝。在指定目標語言后，swig會生成額外的包裝源碼文件。編譯so庫時，把包裝文件一起編譯、連接即可。看個c代碼例子：

int system(const char* command){ sts = system(command);if (sts < 0) {return NULL; }return sts; }

c源碼中去掉適配python的包裝，僅定義system函數本身，這比第二種方式簡潔很多，并且剔除了c代碼與python的耦合代碼，是c代碼通用性更好。

然后編寫swig接口聲明文件spam.i：

%module spam%{#include "spam.h"%}%include "spam.h"%include "typemaps.i" int system(const char* INPUT);

這是一段語言無關的模塊聲明，要創建一個叫spam的模塊，對system做一個聲明，主要是聲明參數作為入參使用。然后執行swig編譯程序：

>swig -c++ -python spam.i

swig會生成spam_wrap.cxx和spam.py兩個文件。先看spam_wrap.cxx，這個生成的文件很長，但關鍵的就是對函數的包裝：

包裝函數傳入的還是PyObejct對象，內部進行了類型轉換，最終調了源碼中的system函數。

生成的了另一個spam.py實際上是對so庫又用python包裝了一層(實際比較多余)：

這里使用_spam模塊，這里實際上是把擴展命名為了_spam。關于swig在python上的應用可以參見：http://www.swig.org/Doc1.3/Python.html

下面就是編譯和安裝python 模塊，Python提供了distutils module，可以很方便的編譯安裝python的module。像下面這樣寫一個安裝腳本setup.py:

執行 python setup.py build，即可以完成編譯，程序會創建一個build目錄，下面有編譯好的so庫。so庫放在當前目錄下，其實Python就可以通過import來加載模塊了。

當然也可以用 python setup.py install 把模塊安裝到語言的擴展庫——site-packages目錄中。關于build python擴展，可以參考https://docs.python.org/2/extending/building.html#building

混合編程性能分析

混合編程的使用場景中，很重要一個就是性能攸關。那么這小節將通過幾個小實驗驗證下混合編程的性能如何，或者說怎樣寫程序能發揮好混合編程的性能優勢。

我們使用冒泡排序算法來驗證性能。

1、實驗一使用冒泡程序驗證python和c/c++程序的性能差距

python版冒泡程序：

def bubble(arr,length): j = length - 1while j >= 0: i = 0while i < j:if arr[i] > arr[i+1]: tmp = arr[i+1] arr[i+1] = arr[i] arr[i] = tmp i += 1 j -= 1

c語言版冒泡排序

void bubble(int* arr,int length){int j = length - 1;int i;int tmp;while(j >= 0){ i = 0;while(i < j){if(arr[i] > arr[i+1]){ tmp = arr[i+1]; arr[i+1] = arr[i]; arr[i] = tmp; } i += 1; } j -= 1; } }

?使用一個長度為100內容固定的數組，反復排序10000次(每次排序后，再把數組恢復成原始序列)，記錄執行時間：在相同的機器上多次執行，Python版執行時間是10.3s左右，而c語言版本(未使用任何優化編譯參數)執行時間只有0.29s左右。相比之下python的性能的確差很多(主要是python中list的操作跟c的數組相比，效率差非常多)，但python中很多擴展都是c語言寫的，目的就是為了提升效率，python用于數據分析的numpy庫就擁有不錯的性能。下個實驗就驗證，如果python使用c語言版本的冒泡排序擴展庫，性能會提升多少。2、實驗二 python語言使用ctypes方式調用

這里直接使用c_int來定義了數組對象，這也節省了調用時數據類型轉換的開銷：

import timefrom ctypes import * IntArray100 = c_int * 100 arr = IntArray100(87,23,41, 3, 2, 9,10,23,0,21,5,15,93, 6,19,24,18,56,11,80,34, 5,98,33,11,25,99,44,33,78,52,31,77, 5,22,47,87,67,46,83, 89,72,34,69, 4,67,97,83,23,47, 69, 8, 9,90,20,58,20,13,61,99,7,22,55,11,30,56,87,29,92,67,99,16,14,51,66,88,24,31,23,42,76,37,82,10, 8, 9, 2,17,84,32,66,77,32,17, 5,68,86,22, 1, 0)... ...if __name__ == "__main__": libbubble = CDLL('libbubble.so') time1 = time.time()for i in xrange(100000): libbubble.initArr(arr1,arr,100) libbubble.bubble(arr1,100) time2 = time.time()print time2 - time1

再次執行：

為了減少誤差，把循環增加到10萬次，結果c原生程序使用優化參數編譯后用時0.65s左右。python使用c擴展后(相同編譯參數)執行僅需2.3s左右。

3、實驗三在c語言中使用PyObject處理入參

這種方式是在python中依然使用list裝入待排序數列，在c函數中把list賦值給數組，再進行排序，排好序后，再對原始list賦值。循環排序10萬次，執行用時1.0s左右。

4、實驗四使用swig來包裝c方法

在接口文件中聲明%array_class(int,intArray);然后在Python中使用initArray來作為數組，同樣修改成10萬次排序。python版本的程序(相同編譯參數)執行僅需0.7s左右，比c原生程序慢大概7%。