Python 現(xiàn)在已經(jīng)不僅僅是膠水腳本語言了. 不信？看看下面使用Python的成功案例:

• YouTube - 主要由 Python編寫
• NASA
• Industrial Light & Magic Runs - 電影公司
• OpenStack
• Sage - 科學軟件及其他 (SciPy, PythonXY)
• WEB框架 Django, Pyramid, bottle...
• 修訂控制系統(tǒng)
• 其他不錯的軟件

要是你正在尋找快速介紹美麗的Python語言，我推薦My-Favorite-Python-Things

高級語言是主流

目前高級語言可以寫出簡單具有靈活性的代碼. 所以在快速創(chuàng)建應用程序的時候是一個不錯的選擇, 你不需要花時間來處理各種數(shù)據(jù)類型 (所有接口示例代碼都是為了滿足編譯處理). 可能有些人就會爭論了，這個特性會產(chǎn)生有bug的代碼. 但是 Guido van Rossum說:“生產(chǎn)的代碼誰會不經(jīng)過測試呢”? 靜態(tài)語言在編譯時期就能處理一些錯誤. 但這并不能檢測出所有的錯誤. ***你還是得編寫測試代碼。 而有這個時間完全可以為動態(tài)語言寫出測試代碼. 此外人們還不能設計一個堪稱***的類型系統(tǒng). 對此Jim Treavor寫了一些總結。

新技術允許我們?yōu)閯討B(tài)語言設計一個高效的運行環(huán)境 (JavaScript V8, LuaJIT, Racket, Common Lisp...), 這也可以和大型的框架競爭 (JVM, .NET, ...)

所有這一切都使得高級語言越來越流行得在大型企業(yè)和日常生活中使用。

Python能延續(xù)傳奇嗎？

現(xiàn)在Python非常流行，同時它的地位也受到競爭者的挑戰(zhàn)。Python有良好的生態(tài)系統(tǒng)，也有大型軟件和社區(qū)支持，但它缺乏其競爭者的高效和先進的運行環(huán)境。

這與以往Lisp的理念一樣，代碼即數(shù)據(jù)，代碼能夠被其他正在執(zhí)行的代碼理解（代碼可以作為數(shù)據(jù)被處理）。因而機器可以理解運行時正在執(zhí)行的代碼，并且去優(yōu)化它，通過通常的方式就能得到全部的數(shù)據(jù)信息，而不用像C++那樣使用模板。這是C++和其他流行的編程語言所沒有的。最終我們有相對更底層的抽象級別，而運行時信息相對更豐富，使得編譯器可以：

• 為未知的硬件做特化 (編碼時)，包括支持的數(shù)據(jù)類型，以及可用的優(yōu)化方法。
• 自動調整（tuning） (例如為庫提供的數(shù)據(jù)，如 ATLAS...)
• 推送更多的信息給編譯器，得到更好的推理。
• 人們不用為數(shù)據(jù)類型煩惱（運行時環(huán)境就已經(jīng)可以保證快速、正確使用數(shù)據(jù)類型）

于是整個流程就好像這樣：

• 想法
• 一點Python代碼（最棒的部分），用來構建整個架構。然后是一些底層的代碼 ，同樣很棒，因為這些代碼沒有惡心的模板和上下文代碼。事實上，底層的代碼也可以通過Python代碼生成。
• 運行
• 調試，比起前面的步驟時間更短一些

就性能而言，這樣的過程相比之前的方法有著更好的前景。

這些是已經(jīng)用到這種方式的：PyPy, cffi, PyOpenCL, PyCUDA, numba, theano...

解釋器的設計

為了讓下一步的開發(fā)更簡單，實現(xiàn)動態(tài)語言的***狀態(tài)，Python需要一個合適的架構。當前CPython的架構過于簡單，因而限制比較大，很難做到像JIT編譯器那樣的功能。下面是一些在增強CPython解釋器性能上的失敗的努力：

• psyco (被PyPy代替)
• Unladen swallow
• 消除GIL的很多失敗的嘗試
• 還有一些嘗試修復CPython一些缺陷的嘗試: Stackless和HotPy，但是Guido (Python之父，仁慈的獨裁者) 的堅持使得這些項目沒有被合并到Python中。（說明一下，HotPy還不是產(chǎn)品級的東西）。

CPython***的問題是他的C API，這部分沒有很好的設計。其他部分的實現(xiàn)多少都受此影響。

PyPy同時還包含了一個優(yōu)秀的現(xiàn)代的架構，在 Jim Huang 的演講 中做了介紹，演講的要點是：

• 解釋性語言的框架
• 用于研究和產(chǎn)品的組件組合 (不同的數(shù)據(jù)模型，垃圾回收 - 這些可以在具體的應用場景進行改變)
• 構建在基于組件鏈的功能架構之上(翻譯工具鏈)。每一個步驟都會延續(xù)/轉換程序模型、引入特征、各種后端（JVM, JavaScript, LLVM, GCC IR等等)。來看一下翻譯鏈的例子：python 代碼 -> 字節(jié)碼 -> 函數(shù)對象 -> 類型推斷 -> 垃圾收集器 -> JIT
• 包含大量在架構的不同層次開發(fā)的現(xiàn)代的優(yōu)化技術 (這個任務可以簡化)

相信讓所有軟件支持PyPy需要付出艱巨的努力 - 需要在現(xiàn)有的庫上做很多工作。不過使用新的工具，編寫支持PyPy和CPython的軟件會比采用C擴展的方式更簡單一些（在我們能做什么一節(jié)有介紹）。

CPython遺留問題

現(xiàn)在來說一下CPython依賴性代碼的遺留問題 (源于它們緊密依賴 c 擴展)。 這些主要是科學相關的軟件 (NumPy, SciPy 等等)。Python在PyPy成為產(chǎn)品級軟件之前早就被用于科學計算（我認為實在2年之前），之后這些軟件在工具、代碼和社區(qū)方面都得到很多發(fā)展。這些軟件一起構建了一個很棒的平臺，通常被用來作為Matlab之類的軟件的替換（有人甚至認為是更好的選擇）。要實現(xiàn)這些，C擴展是目前唯一的解決方案。現(xiàn)在，這些軟件的發(fā)展仍然與CPython緊密綁定，因為要讓科學計算相關的軟件全部支持PyPy，需要大量的工作。近似的方案是使用按需執(zhí)行的JIT - 對特定的函數(shù)做修飾，然后動態(tài)的把它們編譯成機器碼并切換到使用c擴展。這個想法不需要重寫所有的科學計算的平臺，而速度同樣快速。采用這種方式的典型項目是numba，這是由Continuum Analytics (這家公司主要發(fā)布基于python庫的強壯的科學計算平臺)贊助的。Numba采用這種方式是因為它的快速腳本需要與其他依賴CPython的科學計算代碼兼容。numba值得學一下，SciPy會議的 numba演講 是一個很好的闡述。

不得不說Python的科學計算社區(qū)非常棒。他們非常關注于質量、易用性和推廣他們的產(chǎn)品（為此組織了很多會議：SciPy大會，PyData等）。感謝他們讓Python成為免費的科學分析平臺的***。這里還需要提一下Travis Oliphant，他在社區(qū)中付出了很多努力，讓整個平臺協(xié)調一致。關于這些可以看一下這篇博客文章：為何Python是你最終必須學習的編程語言