PyPy是一个虚拟机项目，主要分为两部分：一个Python的实现和 一个编译器
PyPy的第一部分: 用Python实现的Python
其实这么说并不准确，准确得说应该是用rPython实现的Python，rPython是Python的一个子集，虽然rPython不是完整的Python，但用rPython写的这个Python实现却是可以解释完整的Python语言。
PyPy的第二部分：编译器
这是一个编译rPython的编译器，或者说这个编译器有一个rPython的前端，目前也只有这么一个前端，不过它的后端却是不少，也就是说这个编译器支持许多的目标语言，比较重要的有：C，CIL，JavaScript...
第一部分看成pypy(1)第二部分看成pypy(2)
为什么你在同一层面下同时需要这两者？你可以这样想一下：PyPy(1)是一个用RPython写的解释器，因此它能加载用户的Python代码并将它编译成字节码。但是这个用RPython写的解释器本身要能运行，就必须要被另外一个Python实现去解释。我们可以直接用CPython去.运行这个解释器。但是这个还不够快取而代之，我们使用了PyPy(2)去编译这个PyPy的解释器，生成其他平台（比如C,JVM或CLI）代码在我们的机器上运行，并且还加入了JIT特性。JIT能够把字节码转换成机器语言，pypy之所以快，是因为它整合了JIT跟踪技术的优化编译器。
pypy性能测试
Cpython2.7.6，pyston0.2，pypy2.2.1的性能对比，使用的是pyston源代码目录下的minibenchmarks和microbenchmarks中
的python代码来跑，对比结果如下表所示
|
|
Cpython2.7.6
|
pyston0.2
|
|
microbenchmarks
|
|
|
|
|
attribute_lookup.py
|
258.544s
|
200.387s
|
2.667s
|
|
attrs.py
|
0.622s
|
1.658s
|
0.086s
|
|
closures.py
|
0.485s
|
6.658s
|
0.058s
|
|
empty_loop.py
|
3.532s
|
19.248s
|
0.248s
|
|
fib2.py
|
3.375s
|
0.669s
|
0.804s
|
|
fib.py
|
3.696s
|
0.636s
|
0.864s
|
|
function_calls.py
|
5.283s
|
0.878s
|
0.303s
|
|
gcj_2014_2_b.py
|
1.527s
|
45.803s
|
0.276s
|
|
gcj_2014_3_b.py
|
0.022s
|
0.174s
|
0.069s
|
|
iteration.py
|
0.185s
|
1.242s
|
0.062s
|
|
lcg.py
|
2.910s
|
9.097s
|
0.235s
|
|
listcomp_bench.py
|
10.132s
|
56.170s
|
1.379s
|
|
nested.py
|
0.368s
|
6.828s
|
0.057s
|
|
polymorphism.py
|
4.358s
|
4.390s
|
14.260s
|
|
prime_summing.py
|
20.197s
|
43.779s
|
1.250s
|
|
pydigits.py
|
0.034s
|
Failed
|
0.039s
|
|
repatching.py
|
0.475s
|
0.384s
|
0.061s
|
|
simple_sum.py
|
0.075s
|
0.578s
|
0.040s
|
|
sort.py
|
2.216s
|
4.587s
|
0.135s
|
|
thread_contention.py
|
6.486s
|
8.133s
|
0.240s
|
|
thread_uncontended.py
|
1.324s
|
5.823s
|
0.238s
|
|
unwinding.py
|
1.082s
|
93.180s
|
4.481s
|
|
vecf_add.py
|
9.890s
|
Failed
|
0.059s
|
|
vecf_dot.py
|
4.944s
|
8.434s
|
0.062s
|
|
|
|
|
|
|
minibenchmarks
|
|
|
|
|
allgroup.py
|
0.836s
|
Failed
|
18.804s
|
|
chaos.py
|
26.268s
|
Failed
|
1.392s
|
|
fannkuch_med.py
|
0.990s
|
1.898s
|
0.325s
|
|
fannkuch.py
|
10.952s
|
20.834s
|
2.057s
|
|
Go.py
|
53.787s
|
Failed
|
33.638s
|
|
interp2.py
|
5.521s
|
10.124s
|
0.701s
|
|
interp.py
|
10.863s
|
5.035s
|
0.563s
|
|
nbody_med.py
|
3.132s
|
6.642s
|
0.601s
|
|
nbody.py
|
12.677s
|
25.540s
|
1.470s
|
|
nq.py
|
29.879s
|
Failed
|
44.418s
|
|
raytrace.py
|
11.608s
|
Failed
|
1.228s
|
|
spectral_norm.py:
|
14.388s
|
118.309s
|
1.333s
|
pypy编译除了有颜色背景的数据，其它测试结果基本都是最快的，其中15个程序代码测试结果所花时间不到Cpython的十分之一
pypy的缺陷
可以看出pypy实现python有很大的优势，但是目前来说很多公司的python项目仍然没有采用pypy来实现，原因是
pypy有一个缺陷：C扩展性弱，简单理解就是python程序中如果混合了C/C++代码，调用了C/C++的库，就会导pypy
不支持或者pypy运行速度变慢很多。而现在很多项目都是采用C/C++/Python混合编程。
但是pypy也有自己的兼容C/C++的方法(但是没有完全解决扩展性弱的问题），pypy有ctypes和cffi两种方式来
进行C扩展，以下是一些简单程序实验：
用ctypes的方式实现C++，python混合编程，先写一个.cpp然后在python文件中调用它，最后用Cpython，和pypy分别编译执行都可以跑,说明ctypes是支持C++扩展的
这次用pypy跑的速度就要Cpython不少了
总结
以上就是本文关于聊聊Python中的pypy的全部内容，希望对大家有所帮助。感兴趣的朋友可以继续参阅本站其他相关专题，如有不足之处，欢迎留言指出。感谢朋友们对本站的支持！