为什么同一段 Python 代码，PyPy 能快十倍？
如果你用纯 Python 写过一个计算密集的循环，比如计算斐波那契数列或处理大量整数运算，可能会发现：在 PyPy 上运行比在 CPython 上快很多，有时接近十倍。这不是玄学，而是 JIT（即时编译）在背后做了大量工作。
CPython 的执行方式：逐条解释字节码
CPython 是 Python 的参考实现。它先把源码编译成字节码，然后在一个巨大的 switch 循环中逐条解释执行。每条字节码都要经过：取指令、分派、操作数栈操作、类型检查……对于循环中的 a + b，每次都要重新判断类型、查找加法函数、创建新对象。
这种方式的优点是简单、稳定、C 扩展生态丰富；缺点是重复工作多，没有跨指令的优化。
PyPy 的 JIT：先解释，再编译热点
PyPy 也解释字节码，但它内置了一个跟踪 JIT（tracing JIT）。它的工作流程大致是：
- 先解释执行，同时记录循环回边次数。
- 当某个循环足够“热”（执行次数达到阈值），JIT 开始记录这个循环中实际执行的指令序列，形成一条“轨迹”。
- 把这条轨迹编译成机器码，并做一系列优化。
- 之后再次进入这个循环时，直接运行机器码；如果运行中类型与记录时不一致，就回退到解释器（称为“守卫失败”）。
关键点：JIT 编译的是运行时实际走过的路径，而不是静态代码。
JIT 到底优化了什么？
以一段简单的整数循环为例：
def sum_squares(n):
total = 0
for i in range(n):
total += i * i
return total
在 CPython 中，每次 i * i 和 total += ... 都要：
- 检查
i是不是 int - 调用整数乘法
- 创建新的 PyLong 对象
- 类似地处理加法
PyPy 的 JIT 在记录轨迹后，会做这些优化：
- 类型特化：发现
i和total始终是整数，直接生成整数乘加指令，省去类型判断。 - 去虚拟化：如果中间产生了临时对象且没逃逸出循环，可能直接在寄存器中计算，不分配堆内存。
- 循环不变量外提：把循环内不变的计算移到循环外。
- 内联：把频繁调用的小函数直接展开，减少调用开销。
- 消除冗余守卫：合并或删除重复的类型检查。
这些优化叠加起来，就是十倍差距的主要来源。
什么情况下 PyPy 不一定快？
PyPy 并非万能：
- 短脚本：JIT 还没热身就结束了，可能比 CPython 还慢。
- 大量 C 扩展：CPython 的 C 扩展在 PyPy 上兼容性有限，性能优势可能被抵消。
- I/O 密集型：瓶颈在磁盘或网络，JIT 帮不上忙。
- 类型频繁变化：守卫不断失败，JIT 退化为解释执行。
实践建议
- 纯 Python 计算密集型任务，可以试试 PyPy，用真实负载做基准测试。
- 不要只看微基准，要测完整程序。
- 如果依赖 NumPy、Pandas 等 C 扩展，优先考虑 CPython 或寻找替代方案。
- 理解 JIT 的“热路径”思想，也有助于写出对 CPython 更友好的代码（比如把不变计算移出循环）。
JIT 的十倍差距，本质是用运行时信息换取了静态语言才有的优化机会。它不是魔法，而是对重复工作的系统性消除。