Python作为一门动态解释型语言，开发效率极高，但动态类型和解释执行的特性，也让它在数值计算、循环密集等场景下性能不如C/C++等编译型语言。Cython作为Python和C之间的“桥梁”，不仅支持`.pyx`专用文件，更可直接优化纯Python（`.py`）文件，无需编写专用语法，仅通过静态类型注解和简单编译，就能大幅提升程序运行速度，且无需彻底重构代码。

本文将以经典的Fibonacci数列计算为例，详细讲解纯Python模式下如何使用Cython优化性能——全程使用`.py`文件，不涉及`.pyx`文件，包含纯Python代码编写、编译配置（setup.py）、编译流程，以及如何通过注解（annotate）分析性能瓶颈，让优化更有针对性，兼顾开发效率和运行速度。

一、Cython核心原理简介

纯Python模式下，Cython的优化逻辑不变，核心仍是“静态类型注解+编译”：在普通`.py`文件中添加静态类型（如指定变量为int、float），Cython会将带有类型注解的Python代码转换为高效的C代码，再通过C编译器（如gcc）编译为机器码，避免Python解释器的动态类型检查和字节码解释开销。

纯Python模式关键优势：

  • 完全使用Python语法，无需学习Cython专用语法（不写`.pyx`文件）；
  • 仅添加静态类型注解，原有业务逻辑不变，开发效率不受影响；
  • 编译后生成扩展模块，可直接像普通Python模块一样导入使用；
  • 支持直接调用C/C++库，进一步拓展性能边界（本文暂不涉及）。

二、准备工作

在开始前，需安装Cython和C编译器（确保系统具备编译环境），纯Python模式与`.pyx`模式的准备工作完全一致：

1. 安装Cython

使用pip直接安装：

bash
12
pip install cython setuptools

2. 安装C编译器

  • Windows：安装Visual Studio Build Tools（勾选“C++生成工具”）；
  • Linux：安装gcc（命令：sudo apt install build-essential）；
  • macOS：安装Xcode Command Line Tools（命令：xcode-select --install）。

三、示例：纯Python模式下，用Cython优化Fibonacci数列计算

我们以“递归计算Fibonacci数列”为例（递归场景对性能敏感，能直观体现Cython的优化效果），全程使用`.py`文件，分三步实现优化：编写纯Python代码（添加类型注解）、编写编译配置、执行编译。

第一步：编写纯Python代码（fib.py，添加静态类型注解）

创建普通`.py`文件（fib.py），包含两个版本的Fibonacci函数：纯Python版本（无优化，作为性能基准）和Cython优化版本（添加静态类型注解），方便对比性能。全程不写任何`.pyx`相关代码，完全遵循Python语法。

python
123456789101112131415161718192021222324
# fib.py（纯Python文件，无pyx）
# 1. 纯Python版本（无优化，作为性能基准，无任何类型注解）
def fib_python(n):
    if n <= 1:
        return n
    return fib_python(n - 1) + fib_python(n - 2)

# 2. Cython优化版本（纯Python语法，仅添加静态类型注解）
import cython

# @cython.cfunc：将函数编译为C级函数，不暴露给Python解释器（更快）
# @cython.inline：函数内联，减少函数调用开销
@cython.cfunc
@cython.inline
def _fib_cython(n: cython.int) -> cython.int:  # 入参、返回值指定为cython.int类型
    if n <= 1:
        return n
    return _fib_cython(n - 1) + _fib_cython(n - 2)

# 暴露给Python的接口函数（供外部调用）
@cython.ccall
def fib_cython(n: cython.int) -> cython.int:
    return _fib_cython(n)

关键说明（纯Python模式适配）：

  • 文件后缀为`.py`，不是`.pyx`，完全是普通Python文件，可直接用Python解释器运行（未编译时也能正常执行，只是未优化）；
  • 静态类型注解使用`cython.int`（也可使用`int`，Cython会自动识别），遵循Python类型注解语法，无需额外学习；
  • `@cython.cfunc`、`@cython.inline`、`@cython.ccall`是Cython提供的装饰器，可直接在纯Python文件中使用，不影响Python解释执行；
  • 未编译时，该文件可正常运行（Python会忽略Cython相关装饰器和`cython.int`注解，按普通Python代码执行）。

第二步：编写编译配置（setup.py）

创建setup.py文件，用于告诉Cython如何编译纯Python文件（fib.py）——核心配置与`.pyx`模式一致，仅需修改要编译的文件后缀为`.py`，无需其他调整。setup.py是Python扩展模块的标准配置文件，Cython可直接复用。

python
12345678910111213141516171819
# setup.py（纯Python模式，编译.py文件）
from setuptools import setup
from Cython.Build import cythonize

# 编译配置：重点修改要编译的文件为.py后缀（fib.py）
setup(
    name="fib_cython",  # 扩展模块名称
    ext_modules=cythonize(
        "fib.py",  # 要编译的纯Python文件（不是pyx）
        annotate=True,  # 生成注解文件（.html），用于分析性能瓶颈
        compiler_directives={
            "language_level": "3",  # 兼容Python 3
            "optimize.unpack_method_calls": True,  # 优化方法调用
            "boundscheck": False,  # 关闭数组边界检查（提升速度，需确保代码安全）
            "wraparound": False,  # 关闭负索引环绕（提升速度）
        }
    )
)

关键配置说明（纯Python模式重点）：

  • cythonize("fib.py")：指定要编译的文件为纯Python文件（fib.py），Cython会自动识别文件中的静态类型注解和Cython装饰器，转换生成对应的C代码（fib.c）；
  • annotate=True：核心配置！编译后会生成fib.html注解文件，用于分析代码中哪些部分仍在调用Python解释器（未被优化）；
  • compiler\_directives：编译选项，用于进一步优化性能，与纯Python模式完全兼容，无需修改。

第三步：执行编译

在终端（或命令行）中，进入fib.py和setup.py所在的目录，执行以下命令编译——命令与`.pyx`模式完全一致，无需调整：

bash
12
python setup.py build_ext --inplace

命令解析：

  • build_ext：表示构建扩展模块；
  • --inplace：表示将编译后的扩展模块（.pyd文件，Windows；.so文件，Linux/macOS）生成在当前目录，方便直接导入使用。

编译成功后，当前目录会生成3个关键文件（与`.pyx`模式一致）：

  • fib.c：Cython转换生成的C代码（由纯Python文件fib.py转换而来）；
  • fib.html：注解文件（用于性能分析）；
  • fib.cp314-win_amd64.pyd（Windows）/ fib.cpython-314-x86_64-linux-gnu.so（Linux）：编译后的扩展模块（可直接import，与普通Python模块用法一致）。

四、查看注解（annotate），分析性能瓶颈

编译时我们设置了 annotate=True，生成的fib.html文件是Cython性能优化的核心分析工具，纯Python模式下的注解查看方式、分析逻辑，与`.pyx`模式完全一致，通过颜色深浅判断代码的优化程度。

1. 如何查看注解

直接用浏览器打开fib.html文件，即可看到代码的注解分析：

df0390409df646adbd5d3673a364f2d8.png

  • 白色/浅黄色：代码已被完全优化为C代码，无Python解释器调用，性能最优；
  • 深黄色：代码仍有部分Python解释器调用（如未添加类型注解的变量、Python内置容器操作），性能有优化空间；

2. 注解分析示例（针对纯Python文件fib.py）

  • 纯Python版本 fib_python：大部分代码会显示深黄色，因为未添加任何类型注解，仍依赖Python解释器，未被Cython优化；
  • Cython优化版本 _fib_cython：几乎全部为白色/浅黄色，因为我们添加了`cython.int`静态类型注解、使用了 @cython.cfunc装饰器，已完全转换为C代码，无Python解释器开销；
  • 接口函数 fib_cython：可能有少量浅黄色，因为它是暴露给Python的接口，需要进行一次Python与C的类型转换（开销极小，可忽略）。

通过注解，我们可以快速定位“未被优化的代码段”（如纯Python版本的递归逻辑），针对性地添加类型注解或调整代码，实现极致优化——全程无需修改文件格式，仍保持纯Python语法。

五、测试优化效果

编译完成后，我们编写一段纯Python测试代码（test.py），对比未优化的纯Python函数和Cython优化后的函数性能，用法与普通Python代码完全一致：

python
1234567891011121314151617
# test.py（纯Python测试文件）
import time
import fib  # 导入编译后的扩展模块（与导入普通Python模块完全一致）

# 测试参数（n=35，递归深度适中，能体现性能差距）
n = 35

# 测试未优化的纯Python版本
start = time.time()
fib.fib_python(n)
print(f"纯Python版本（未优化）耗时：{time.time() - start:.4f} 秒")

# 测试Cython优化版本（纯Python代码编译后）
start = time.time()
fib.fib_cython(n)
print(f"Cython优化版本（纯Python编译）耗时：{time.time() - start:.4f} 秒")

运行测试代码（直接用Python执行：python test.py），典型输出（不同机器略有差异）：

bash
123
纯Python版本（未优化）耗时：0.7818 秒
Cython优化版本（纯Python编译）耗时：0.0134 秒

可以看到，纯Python代码经过Cython编译优化后，速度比未优化的纯Python版本快了27倍以上，优化效果非常显著，且全程未使用任何`.pyx`文件，完全保留了Python的开发效率。

六、纯Python模式下Cython优化关键技巧

结合本文示例，总结纯Python模式下Cython优化的核心技巧（避免踩坑，兼顾开发效率和性能）：

  1. 核心优化：给变量、函数入参/返回值添加静态类型注解（如`cython.int`、`cython.float`），这是纯Python模式下Cython优化的核心，无注解则无法实现有效优化；
  2. 装饰器使用：用 @cython.cfunc定义内部函数（不暴露给Python），用 @cython.ccall定义对外接口，减少Python函数调用开销；
  3. 文件规范：全程使用`.py`文件，不创建`.pyx`文件，遵循Python语法，未编译时也能正常运行，便于调试；
  4. 性能分析：编译时开启 annotate=True，通过注解文件定位未优化代码段，针对性添加注解；
  5. 优化选项：合理关闭边界检查（boundscheck=False）、负索引环绕（wraparound=False），提升速度（需确保代码无越界等问题）；
  6. 容器优化：避免使用Python内置容器（dict、set、list），优先使用C数组、C++ vector（通过Cython调用），进一步提升性能（本文暂不涉及，后续可扩展）。

七、总结

纯Python模式下，Cython无需`.pyx`文件，仅通过在普通`.py`文件中添加静态类型注解和简单装饰器，就能实现大幅性能优化——既保留了Python的开发效率，又能让代码接近C语言的运行速度，完美解决“开发快”和“运行快”的矛盾。

本文通过Fibonacci数列示例，完整演示了纯Python模式下Cython优化的全流程：编写带类型注解的纯Python代码、配置setup.py、执行编译、查看注解分析瓶颈、测试优化效果。对于循环密集、数值计算、递归等场景，这种优化方式效果尤为明显。

纯Python模式的核心优势的是“零额外学习成本”——无需掌握Cython专用语法，仅用Python原生类型注解，就能完成优化，适合所有熟悉Python的开发者快速上手。