为什么python没有高效运行？

理由：1、Python是动态语言； 2. Python被解释执行，但不支持JIT； 3、python中的一切都是对象，每个对象都需要维护一个引用计数，增加了额外的工作量。 4、python GIL； 5、垃圾回收。

当我们提到一种编程语言的效率时：通常有两个含义，一是开发效率，即程序员完成编码所花费的时间；另一个是运行效率，也就是完成一个计算任务所需的时间。编码效率和运行效率往往是鱼和熊掌的问题，很难同时兼顾。不同的语言有不同的侧重点。 python语言无疑更关心编码效率。人生苦短，我们用python。

虽然使用python的程序员应该接受它效率低下的事实，但是python被越来越广泛的应用在越来越多的领域，比如科学计算、web服务器等。当然，程序员也希望python能够运行得更快，也希望python能够变得更强大。

首先python相比其他语言有多慢，不同的场景和测试用例的结果肯定是不一样的。这个网址给出了不同语言在各种情况下的性能对比。这个页面是python3和C++的比较。以下是两种情况：

从上图可以看出，不同的case，python比C++慢了几倍到几十倍。

python运算效率低，具体是什么原因呢，下列罗列一些：

第一：python是动态语言

变量指向的对象的类型是在运行时确定的，编译器无法做出任何预测，因此无法进行优化。举个简单的例子：r = a + b。 a 和 b 被添加，但 a 和 b 的类型仅在运行时才知道。对于加法运算，不同的类型有不同的处理，所以每次运算都会判断a和b的类型，然后进行相应的运算。 .在 C++ 等静态语言中，运行时代码是在编译时确定的。

另一个例子是属性搜索。具体搜索顺序在“python属性搜索”中有详细说明。总之，访问一个对象的一个​​属性是一个非常复杂的过程，通过同一个变量访问的python对象可能是不同的（参见Lazy属性的例子）。在C语言中，对象的地址用于访问属性加上属性的偏移量。

第二：python是解释执行，但是不支持JIT（just in time compiler）

。虽然大名鼎鼎的google曾经尝试Unladen Swallow 这个项目，但最终也折了。

第三：python中的一切都是对象，每个对象都需要维护一个引用计数，增加了额外的工作量。

第四：


python GIL

，GIL是Python最为诟病的一点，因为GIL，python中的多线程并不能真正的并发。如果是在IO bound的业务场景，这个问题并不大，但是在CPU BOUND的场景，这就很致命了。所以笔者在工作中使用python多线程的情况并不多，一般都是使用多进程（pre fork），或者在加上协程。即使在单线程，GIL也会带来很大的性能影响，因为python每执行100个opcode（默认，可以通过sys.setcheckinterval()设置）就会尝试线程的切换，具体的源代码在ceval.c::PyEval_EvalFrameEx。

第五：垃圾回收

，这个可能是所有具有垃圾回收的编程语言的通病。python采用标记和分代的垃圾回收策略，每次垃圾回收的时候都会中断正在执行的程序，造成所谓的顿卡。infoq上有一篇文章，提到禁用Python的GC机制后，Instagram性能提升了10%。感兴趣的读者可以去细读。