Python 10大谬论，你可能对Python有什么误解_同意python修改设备是否会造成误会-CSDN博客

本文链接：https://blog.csdn.net/2401_84139963/article/details/138291196

本文探讨了Python作为一门强大的编程语言，其广泛的应用领域、灵活的类型系统、性能优势以及在企业级开发中的实际效能，同时纠正了一些关于Python的常见误解，如类型系统、速度和并发支持。作者还强调了Python的学习资源和在就业市场中的价值。

摘要由CSDN通过智能技术生成

Python 确实可以用来编写脚本，并且因其简单的语法、跨平台并且无所不在于 Linux, Macs, 和其它Unix 机器而成为这个领域的领跑者之一.

事实上, Python 可能是常规用途编程语言中最灵活的技术. 以下是一些实例:

电信基础设施 (Twilio)
支付系统 (PayPal, Balanced Payments)
神经科学和心理学 (许多, 许多, 例子)
数值分析和工程 (numpy, numba, 以及更多其它)
动画(LucasArts, Disney, Dreamworks)
游戏后台 (Eve Online, Second Life, Battlefield, 以及其它很多)
Email 基础设施 (Mailman, Mailgun)
媒体存储和处理 (YouTube, Instagram, Dropbox)
操作和系统管理 (Rackspace, OpenStack)
自然语言处理(NLTK)
机器学习和计算机版本 (scikit-learn, Orange, SimpleCV)
安全性和渗透性测试 (很多很多以及 eBay/PayPal
大数据 (Disco, Hadoop support)
如理 (Calendar Server, 它驱动了 Apple iCal)
搜索系统 (ITA, Ultraseek, 还有 Google)
Internet 基础设施 (DNS) (BIND 10)

更别提网站和web服务了，那些都不在少数. 事实上，PayPal工程师看起来像是有兴趣致力于基于Python的web特性,比如 YouTube 和 Yelp. 如果对Python成功案例的更大清单感兴趣，那就看看官方的清单吧.

谬误 #5: Python 是弱类型的

Python 类型系统的特点是拥有强大、灵活的类型操作. 维基百科上对此作出的阐述.

而存在一个不争而有趣的事实是， Python 是比Java更加强类型的. Java 对于原生类型和对象区分了类型系统，它让null存在于一个灰色地带. 另一方面，现代的 Python 拥有一个统一的强类型系统, 其中什么都没有（None）的类型是明确指定的. 更进一步的，JVM自身也是动态类型的，因为可以把它的根源追溯到由Sun所收购的Smalltalk VM的一个实现.

Python的类型系统很棒，但要提供给企业级使用，目前仍然还有许多更重大的事项需要关注.

谬误 #6: Python 速度慢

首先是有一个重要区别: Python 是一门编程语言，而不是运行时环境. Python 拥有几个实现:

CPython是参考实现, 且也是广泛发布和使用的实现.
Jython是Python用于JVM的是一个成熟的实现.
IronPython是 Microsoft 针对其自家的通用语言运行时——又名 .NET，实现的Python .
PyPy是一个正在日趋成熟的Python实现，拥有JIT编译，增量垃圾收集诸多先进的特性.

每一个运行时都有其自己的性能特点, 而且他们本身也不慢. 这里更重要的地方在于不能错误地把一个性能指标分派到一门编程语言智商. 应该总是把该评估用在一个应用程序运行时上面，最好是针对一个特定的使用场景.

清楚了那些事项之后，下面就是一些有Python提供的小项，体现其重要的性能优势:

把 NumPy 用作 Intel 的 MKL SIMD接口
PyPy的 JIT 编译能达到比C还快的性能
Disqus 能在同样的100个盒子上容纳两亿五千万到5亿用户

诚然，这些都不是最新的列子，只是我个人的最爱罢了. 这将很容易扯到高性能Python以及独立提供的运行时这些广阔的领域. 我们不应只是专注于解决单个特殊的案例, 而是应该把注意力放在对开发人员在最终产品性能方面的生产力的普遍影响上面, 特别是在一种企业级环境之下.

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

C++ vs Python,. 两种语言在同一个输出下的对比.

给定足够的时间，一个循规蹈矩的开发者只会按照下面这种经过论证的方式来编写精确高效的软件：

设计实现一个可以正确完成任务的软件，包括开发单独的测试
测试性能，明确瓶颈
优化，根据测试和Amdahl法则，并且利用Python与C的渊源

虽然这听起来很简单，但是即使是老道的工程师，这依旧是一个非常耗时的过程。Python设计之初就考虑到了这一套开发流程。根据我们的经验，通常C++和Java项目完成一次迭代流程的时间，够Python项目完成三次迭代流程。今天，PayPal和eBay中不乏有Python项目使用更少的代码战胜了同类C++和Java项目，这多亏了快速的开发使得仔细的裁剪和优化变得可能。

Myth #7: Python无法做到大规模

大规模有许多定义，但无论怎样，YouTube是个大规模网站。每月UV超过十亿，每分钟上传的视频时长超过100小时，占用互联网带宽的20%，所有这一切都以Python作为核心技术。Dropbox,Disqus, Eventbrite, Reddit, Twilio, Instagram, Yelp, EVE Online, Second Life,，以及，是的，以及eBay和PayPal中都有Python大规模的例子，这些证明大规模不仅仅是可能：它是一种模式。

成功的关是键简单性且一致性。CPython，Python的主要虚拟机，其最大限度地放大了这些特性，从而演变出了一个精确可测的运行时。人们很难发现 Python程序员关心垃圾的收集暂停或应用地启动时间。拥有强大的平台和网络支持，Python其本身自然而然的智能水平可扩展，BitTorrent就是其充分的体现。

此外，规模化主要涵盖测量和迭代。Python是以分析和优化为要义建立的。看Myth #6了解更多Python如何垂直拓展的细节。

Myth #8: Python缺少好的并发支持

除了偶尔叫嚣性能和规模化的问题，有人想提的技术些，”Python缺乏并发，”或者，”GIL怎么样？”如果几十个反例仍不足以支持Python水平及垂直拓展规模的能力，那么再更深地解释CPython实现细节也不会有帮助，所以我会简短些。

Python拥有强大的并发原语，包括generators, greenlets, Deferreds, 和futures.。Python有优秀的并发框架，包括eventlet, gevent,和Twisted。Python在定制运行时尚投入了惊人的工作量，包括Stackless和 PyPy。所有烦人这些和更多表明，根本不存工程师们在Python并发编程方面的缺憾。同时，所有这些都正在被正式的在企业生产环境中支持或使用。例如，请参考Myth #7。

全局解释器锁，或称GIL，是Python在大多数应用场景下的性能优化，也是几乎所有CPython实现代码的开发上的基础优化。GIL使得Python可以很便利地使用操作系统的线程或轻线程（通常指greenlets），且不影响使用多进程。更多相关信息，请看该主题的Q&A列表，以及Python文档中的介绍。

在PayPal中，一个典型服务的部署需要多台机器，多个进程，多个线程，以及一个数字非常庞大的greenlets，相当于一个非常强大可扩展的并行环境（见下图）。在大多数的企业环境中，团队更倾向于往更高层次过度，谨慎并注重灾难恢复。然而，在某些情况下，每台机器每天Python服务仍然处理数以百万计的请求，而且轻松处理。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

一个基于单一worker的协同异步架构草图。最外层的盒子是进程，下一个层次为线程，这里这些线程都是轻线程。操作系统处理线程间的抢占，而I/O异步协同合作。

谬误 #9: Python 程序员很稀缺

最后

Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！