面试题：Python函数调用性能优化之底层机制

Python函数调用在字节码层面的执行过程

编译阶段：Python源代码首先会被编译成字节码。例如，对于以下简单函数：

def add(a, b):
    return a + b

使用dis模块查看字节码：

import dis
def add(a, b):
    return a + b
dis.dis(add)

输出结果类似：

  2           0 LOAD_FAST                0 (a)
              2 LOAD_FAST                1 (b)
              4 BINARY_ADD
              6 RETURN_VALUE

LOAD_FAST指令用于从本地命名空间加载变量，BINARY_ADD执行加法操作，RETURN_VALUE返回结果。 2. 执行阶段：字节码指令由Python虚拟机（CPython）逐条执行。Python虚拟机维护一个栈，指令操作数通常从栈上获取或向栈上存储。例如LOAD_FAST将变量值压入栈，BINARY_ADD从栈顶取出两个值进行加法运算，并将结果压回栈顶，RETURN_VALUE从栈顶取出返回值并结束函数调用。

GIL对函数调用性能的影响

GIL本质：GIL是CPython解释器中的一把全局锁，它确保在任何时刻只有一个线程能够执行Python字节码。这意味着，即使在多核CPU环境下，多线程的Python程序也无法充分利用多核优势并行执行Python字节码。
对函数调用性能影响：对于CPU密集型函数调用，由于GIL的存在，多线程执行这些函数时，线程之间频繁地获取和释放GIL，会导致额外的开销，使得性能提升不明显甚至下降。例如，进行大量计算的函数：

import time

def cpu_bound_func():
    result = 0
    for i in range(100000000):
        result += i
    return result

start = time.time()
for _ in range(4):
    cpu_bound_func()
print(f"Single - thread time: {time.time() - start}")

如果尝试使用多线程执行：

import threading
import time

def cpu_bound_func():
    result = 0
    for i in range(100000000):
        result += i
    return result

start = time.time()
threads = []
for _ in range(4):
    t = threading.Thread(target=cpu_bound_func)
    threads.append(t)
    t.start()
for t in threads:
    t.join()
print(f"Multi - thread time: {time.time() - start}")

会发现多线程执行时间并没有明显减少，甚至可能增加。这是因为线程在执行CPU密集型任务时，频繁争抢GIL，导致开销增大。

多线程、多进程场景下结合函数调用性能优化策略及规避GIL瓶颈

多线程场景（I/O密集型任务）：
- 理论分析：对于I/O密集型任务，如网络请求、文件读写等，线程在等待I/O操作完成时会释放GIL，其他线程可以获取GIL执行字节码。因此，多线程在I/O密集型任务中能有效提高效率。
- 实际案例代码：

import threading
import time

def io_bound_func():
    time.sleep(1)  # 模拟I/O操作，如文件读写或网络请求
    return "Done"

start = time.time()
threads = []
for _ in range(4):
    t = threading.Thread(target=io_bound_func)
    threads.append(t)
    t.start()
for t in threads:
    t.join()
print(f"Multi - thread time for I/O bound: {time.time() - start}")

这里多线程执行I/O密集型任务会比单线程快很多，因为线程在sleep时释放GIL，其他线程可以利用这段时间执行。 2. 多进程场景（CPU密集型任务）：

理论分析：多进程每个进程都有自己独立的Python解释器和内存空间，不存在GIL问题。因此，对于CPU密集型任务，使用多进程可以充分利用多核CPU的优势。
实际案例代码：

import multiprocessing
import time

def cpu_bound_func():
    result = 0
    for i in range(100000000):
        result += i
    return result

start = time.time()
processes = []
for _ in range(4):
    p = multiprocessing.Process(target=cpu_bound_func)
    processes.append(p)
    p.start()
for p in processes:
    p.join()
print(f"Multi - process time for CPU bound: {time.time() - start}")

多进程执行CPU密集型任务能够显著提高执行效率，因为每个进程独立执行任务，不受GIL限制。

通过合理选择多线程处理I/O密集型任务，多进程处理CPU密集型任务，可以有效规避GIL带来的性能瓶颈，优化函数调用性能。

星途面试题库

面试题：Python函数调用性能优化之底层机制

知识考点

面试题答案

Python函数调用在字节码层面的执行过程

GIL对函数调用性能的影响

多线程、多进程场景下结合函数调用性能优化策略及规避GIL瓶颈