在安装 Python 时，你实际上安装的是一个叫做 CPython 的东西。它是 Python 语言最权威、使用最广的实现，用 C 语言写成。当我们说“Python 执行代码”时，通常就是指 CPython 在执行。理解它的整体架构，能够帮你弄清楚 Python 程序到底是怎么跑起来的，以及为什么在某些场景下它会快或慢。
整体组成与角色分工
CPython 内部主要分为四个核心部件：
- 编译器（Compiler）
负责把 .py 源文件转换成字节码（.pyc 文件）。
这不是传统 C/C++ 那种编译到机器码的编译器，而是编译到一种平台无关的、更底层的中间表示形式。
过程是：源码 → 词法分析（拆成一个个 token）→ 语法分析（形成抽象语法树 AST）→ 编译成字节码。
- 虚拟机（Virtual Machine, VM）
字节码的实际执行者。
它基于栈的操作模式，逐条读取字节码指令，在运行时去操作数据、调用函数、创建对象等。
由于字节码是平台无关的，虚拟机在 Windows/Linux/macOS 上的行为一致，这是 Python 跨平台的底层基础。
- 解释器（Interpreter）
这个词在 Python 语境下常和虚拟机混用，但从架构角度看，“解释器”是指整个 CPython 程序本身，它把编译器、虚拟机、内存管理、内置对象等都封装在一起。
当你敲下 python my_script.py 时，就是启动了解释器进程，它会驱动前面的编译 + 虚拟机执行流程。
- 内置对象（Built-in Objects）
Python 中所有东西都是对象（整数、字符串、列表、函数、类……）。
CPython 用 C 语言实现了一套通用对象模型，规定了对象的头结构（引用计数、类型指针等），并为常见类型（int、list、dict 等）预先编写了高效的 C 级实现。
这些内置对象是 Python 程序能快速运行的基石。你在写 a = 10 时，其实直接复用了虚拟机内部已经为你准备好的 int 对象机制。
它们是如何协作的？
一次典型的代码执行过程如下：
- 你键入
python script.py，操作系统启动 CPython 解释器进程。 - 解释器调用内置编译器：读取
script.py，经过词法、语法分析生成 AST，再编译成字节码。此时可以生成.pyc缓存文件放在pycache目录里。 - 解释器把字节码交给虚拟机执行。虚拟机按指令顺序逐条执行：
- 遇到
LOAD_CONST指令，从常量池中取出一个对象压入栈。 - 遇到
CALL_FUNCTION指令，发起函数调用。 - 需要创建数字、字符串时，直接调用 内置对象 的相关 C 函数来快速分配内存、初始化值。
- 执行过程中，内存分配/释放由 CPython 自带的内存管理系统负责（包括引用计数和垃圾回收），这些都是解释器的一部分。
理解这个架构对你有什么用？
- 明白“解释执行”不是逐行解释源码：每次执行前都有一个编译到字节码的过程，这比纯文本解释快得多，只是没有编译型语言那么极致的优化。
- 知道 Python 速度的根在哪里：虚拟机用 C 解释字节码，本身很快，但动态类型决定了每次操作都要检查对象类型，这带来了额外开销。后面你学习性能优化时，就会理解为什么 NumPy 能把密集计算加速——它绕过了 CPython 虚拟机，直接用 C 操作连续内存块。
- 区分语言与实现：Python 语言的语法和语义是标准，但 CPython 只是最主流的实现。还有 Jython（跑在 JVM 上）、IronPython（.NET 平台）、PyPy（带 JIT 编译器）等其他实现，它们把 Python 代码编译成其他平台的中间语言，但核心思路类似。理解了 CPython 架构，再看其他实现就容易多了。
总之，CPython 通过编译器 + 虚拟机的方式实现了 Python 的程序执行，背后依靠一套高效的C 级内置对象库。整个模型兼顾了开发的便利性和执行的合理性，这也是 Python 能够平衡“快开发”与“够用性能”的工程秘密。