人人都会AI编程

27.2 C 扩展开发：Cython 编写混合代码、C 扩展模块

更新时间：2026-07-12

当性能分析工具告诉你某个 Python 函数是 CPU 瓶颈时，直接用 C/C++ 重写这部分逻辑是最彻底的加速方式之一。Python 生态里主要有两条路：传统 C 扩展和Cython。前者更底层、更灵活，后者更接近 Python 语法、开发效率高。

传统 C 扩展模块

传统方式用 C 语言直接编写模块，通过 Python/C API 与解释器交互。官网文档的 Extending Python with C or C++ 就是标准教程。

  • 基本流程：
  1. 用 C 实现函数，接收 PyObject args，解析参数，执行计算，返回 PyObject。
  2. 定义方法表，把函数名和 C 函数指针绑定。
  3. 定义模块结构，填充模块名和方法表。
  4. 编写 setup.py 脚本，使用 distutils 编译成 .so（Linux/macOS）或 .pyd（Windows）文件。
  • 适合场景：对性能要求极致、需要精细内存控制、直接调用已有 C/C++ 库。但开发调试成本较高，容易写出内存泄漏或段错误。

Cython：更友好的混合代码方案

Cython 是一个编程语言和编译器，让你用接近 Python 的语法编写扩展，最终编译成 C 扩展模块。它极大地降低了 C 扩展开发的门槛，是实际生产中最常用的选择。

  • 核心用法：
  1. 把 .py 文件重命名为 .pyx（Cython 源文件）。
  2. 在 .pyx 中逐步添加类型声明，让编译器生成高效 C 代码：
     def add(int a, int b):
         return a + b
  1. 编写 setup.py，用 Cython.Build.cythonize 编译 .pyx 文件：
     from setuptools import setup
     from Cython.Build import cythonize
     setup(ext_modules=cythonize("math_utils.pyx"))
  1. 运行 python setup.py build_ext --inplace 生成 .pyd/.so，然后 import math_utils 就像普通 Python 模块一样使用。
  • 类型声明加速原理：Python 每次做 a + b 都需要检查类型、查找 add 方法。当你声明 int a, int b，Cython 直接生成 C 的整数相加代码，省去所有动态派发开销。
  • 渐进式优化：可以先把 Python 代码改个后缀，跑通编译流程；然后逐步给热点变量和函数加类型声明，每次编译后测试性能提升。不必一上来就全部类型化。

实际建议与避坑

  • 从 Cython 起步：绝大多数时候，Cython 已经足够快，且开发效率远高于手写 C 扩展。只有当你需要调用复杂 C++ 模板库、或者 Cython 生成的代码还不够快时，再考虑传统 C 扩展或 pybind11 等方案。
  • 编译产物管理：生成的 .so/.pyd 文件与 Python 版本和平台绑定，部署时需要确保编译环境与目标环境一致（通常用 manylinux 或 Docker 构建）。
  • 配合 NumPy：Cython 对 NumPy 有直接支持，声明 cimport numpy as np 和内存视图可实现零拷贝数据传递，科学计算性能提升明显。
  • 调试：用 cython -a your_file.pyx 生成带颜色标注的 HTML 报告，黄色越深代表 Python 交互越多，优化目标越明确。

总之，写 Python 代码，得 C 语言速度——这就是 Cython 的定位。当遇到性能瓶颈时，先用 Cython 做加速尝试，往往能以最小改动换来显著收益。