当前位置：首页>编程语言>正文

python调用rust函数 rust python

编程语言2024-04-21 01:25:34

Python具有开发快速的特点，但是在运行效率上比静态编译型语言慢不少，我们今天要介绍的Rust就是其中一种。

Rust是一种安全、并发、实用的编程语言，有着惊人的运行速度，能够防止段错误，并保证线程安全，使每个人都能够构建可靠、高效的软件。

当我们的Python程序出现性能瓶颈时，可以从如下几个方面优化：

优化算法，使用更高效率的算法来提升性能；

使用并发，如多线程程序；

使用编译型语言编写扩展；

优化网络、磁盘、数据库等。

性能优化是个大命题，我们需要从多个方面着手考虑，今天我介绍的是第3种方法，并且选择Rust语言。我们将编写一个so扩展供Python端调用。

这里不会讲Rust的入门，具体规范可以看官方文档或者中文文档：https://rustlang-cn.org/

我们选择Httpbin作为基准程序，进行修改然后对比效果。

1. 原始代码

为了简单，我稍微修改了view_get，使之只返回客户端的请求方法。如下：

{
"method": "GET"
}

代码如下：

# httpbin/core.py
@app.route("/get", methods=("GET",))
def view_get():
"""The request's query parameters.
---

tags:

- HTTP Methods
produces:
- application/json
responses:
200:
description: The request's query parameters.
"""
return jsonify(get_dict("method"))

2. 测试一下原始代码性能：

使用wrk进行benchmark测试：

wrk http://127.0.0.1:5000/get -c 400 -t 10
Running 10s test @ http://127.0.0.1:5000/get
10 threads and 400 connections
Thread Stats Avg Stdev Max +/- Stdev
Latency 314.77ms 121.47ms 1.98s 95.24%
Req/Sec 54.09 37.46 200.00 64.29%
4355 requests in 10.04s, 1.00MB read
Socket errors: connect 0, read 0, write 0, timeout 9
Requests/sec: 433.98
Transfer/sec: 101.71KB

可以看出：平均时延为315ms左右，RPS为434左右。

首先新建一个lib类型的项目，比如名字为handle：

cargo new handle --lib

这样就在当前项目下新建了一个目录：handle，我们需要编辑handle/Cargo.toml：

[package]
name = "handle"
version = "0.1.0"
authors = ["Joseph "]
edition = "2018"
[lib]
name = "handle"
crate-type = ["cdylib"]
[dependencies.cpython]
version = "0.2"
features = ["extension-module"]

然后是编辑handle/src/lib.rs:

#[macro_use]
extern crate cpython;
use cpython::ObjectProtocol;
use cpython::{PyObject, PyResult, Python};
use std::collections::HashMap;
fn ret_py_dict(py: Python, obj: PyObject) -> PyResult> {
let mut response = HashMap::new();
response.insert("method", obj.getattr(py, "method")?.extract(py)?);
Ok(response)
}
py_module_initializer!(handle, init_handle, PyInit_handle, |py, m| {
m.add(py, "ret_py_dict", py_fn!(py, ret_py_dict(val: PyObject)))?;
Ok(())
});

这里的handle是模块名，ret_py_dict就是模块的方法，供Python调用，使用方法：

import handle
handle.ret_py_dict(...)

然后需要编译此模块，我们使用Makefile编写编译规则：

build:

# 编译
cd handle && cargo build --release
# 将so文件拷贝到Python代码目录
cp handle/target/release/libhandle.so httpbin/handle.so
执行make命令编译并将so文件拷贝到指定目录。

4. Python端调用方法

编写一个view_get1方法：

from . import handle
@app.route("/get1", methods=("GET",))
def view_get1():
"""The request's query parameters.
---
tags:
- HTTP Methods
produces:
- application/json
responses:
200:
description: The request's query parameters.
"""
resp = handle.ret_py_dict(request)
return jsonify(resp)

与我们的原始函数唯一区别是：jsonify函数的参数，即响应内容是由扩展模块产生，类型都是dict。

curl响应为：

curl localhost:5000/get1
{
"method": "GET"
}

结果一致。

5. 测试使用了扩展的性能

wrk http://127.0.0.1:5000/get1 -c 400 -t 10
Running 10s test @ http://127.0.0.1:5000/get1
10 threads and 400 connections
Thread Stats Avg Stdev Max +/- Stdev
Latency 247.73ms 101.96ms 1.91s 96.28%
Req/Sec 80.17 53.34 272.00 59.49%
5482 requests in 10.09s, 1.25MB read
Socket errors: connect 0, read 0, write 0, timeout 4
Requests/sec: 543.49
Transfer/sec: 127.38KB

可以看出：平均时延为248ms左右，RPS为544左右。

比原始版本：时延低70ms，RPS高110，效果比较明显，这里仅仅改写了获取对象属性的方式。

6. 总结

如果想继续优化，可以考虑改写jsonify函数。在这里我们提出了一个优化Python程序性能(Latency, RPS)的方案。前文也说到过，优化性能应该先从代码结构、算法方面做优化，当语言成为瓶颈时，使用Rust编写扩展实为一种好的方式。