Python和C++相互调用

最新推荐文章于 2024-08-16 11:09:37 发布

李来群

最新推荐文章于 2024-08-16 11:09:37 发布

阅读量1.7k

点赞数 10

文章标签： python c++ 开发语言

本文链接：https://blog.csdn.net/laiqun789/article/details/129772623

版权

C++ 集成python解释器，并在该C++代码中注册可供python使用的函数。


#include <iostream>
#include <Python.h>

// 定义一个 C++ 函数，供 Python 脚本调用
int add(int a, int b) {
    return a + b;
}

// 在 Python 解释器中注册函数
static PyObject* PyAdd(PyObject* self, PyObject* args) {
    int a, b;
    if (!PyArg_ParseTuple(args, "ii", &a, &b)) {
        return NULL;
    }
    return Py_BuildValue("i", add(a, b));
}

int main() {
    Py_Initialize();  // 初始化 Python 解释器

    // 在 Python 解释器中注册函数
    PyMethodDef methods[] = {
        {"add", PyAdd, METH_VARARGS, "Add two numbers."},
        {NULL, NULL, 0, NULL}
    };
    PyModuleDef module = {PyModuleDef_HEAD_INIT, "my_module", NULL, -1, methods};
    PyObject* pModule = PyModule_Create(&module);

    // 将模块注册到 Python 解释器中
    PyImport_AppendInittab("my_module", PyInit_my_module);
    PyImport_ImportModule("my_module");

    // 在 Python 解释器中调用 C++ 函数
    PyRun_SimpleString("result = add(1, 2)\n"
                       "print(result)");

    Py_Finalize();  // 关闭 Python 解释器
    return 0;
}

在这个程序中，我们首先定义了一个 C++ 函数 add()，它接受两个整数参数，并返回它们的和。然后，我们在 Python 解释器中定义了一个 Python 函数 PyAdd()，该函数将会调用 C++ 函数 add()。

在定义 PyAdd() 函数时，我们使用了 PyArg_ParseTuple() 函数解析了 Python 脚本传递的参数，并将其传递给 C++ 函数 add()。然后，我们使用 Py_BuildValue() 函数将 C++ 函数 add() 的返回值转换为 Python 对象，并将其返回。

接下来，我们使用 Python/C API 提供的函数，在 Python 解释器中注册了一个模块，并将 PyAdd() 函数注册到该模块中。然后，我们将该模块注册到 Python 解释器中，并在 Python 脚本中调用了 C++ 函数 add()。

需要注意的是，在使用 Python/C API 时，我们需要确保内存管理的正确性，避免内存泄漏和悬挂指针等问题。可以使用 RAII 等技术来管理内存，或者使用智能指针等现代 C++ 特性来简化内存管理。

这种情况下，C++如何调用python的函数呢？

#include <iostream>
#include <Python.h>

int main() {
    Py_Initialize();  // 初始化 Python 解释器

    // 加载 Python 模块并获取 Python 函数对象
    PyObject *pModule = PyImport_ImportModule("my_module");
    PyObject *pFunc = PyObject_GetAttrString(pModule, "my_function");

    // 调用 Python 函数并获取返回值
    PyObject *pArgs = PyTuple_New(2);
    PyTuple_SetItem(pArgs, 0, PyLong_FromLong(1));
    PyTuple_SetItem(pArgs, 1, PyLong_FromLong(2));
    PyObject *pResult = PyObject_CallObject(pFunc, pArgs);
    int result = PyLong_AsLong(pResult);

    std::cout << "Result: " << result << std::endl;

    Py_Finalize();  // 关闭 Python 解释器
    return 0;
}

在这个程序中，我们首先使用 Py_Initialize() 函数初始化了 Python 解释器。然后，我们使用 PyImport_ImportModule() 函数加载了一个 Python 模块，并使用 PyObject_GetAttrString() 函数获取了该模块中的一个函数对象。

接下来，我们使用 PyObject_CallObject() 函数调用了该函数，并传递了两个整数参数。最后，我们使用 PyLong_AsLong() 函数将 Python 对象转换为 C++ 类型，获取了函数的返回值。

python设计时使用GIL是为了解决什么问题

Python 的设计时使用 GIL（全局解释器锁）是为了解决多线程并发访问共享资源时可能出现的数据竞争问题。

在 Python 中，每个线程都有自己的执行栈和局部变量，但是所有线程共享了同一个全局解释器锁。在任意时刻，只有一个线程可以获得 GIL，并且只有获得 GIL 的线程才能执行 Python 代码。其他线程必须等待 GIL 的释放，才能继续执行。这个机制可以保证 Python 代码的线程安全性，避免多个线程同时修改共享资源导致的数据竞争和内存错误。

虽然 GIL 机制可以简化 Python 的多线程编程模型，但同时也限制了 Python 的并行性能。由于在任意时刻只有一个线程可以执行 Python 代码，因此即使使用多线程也无法利用多核处理器的全部性能。因此，对于 CPU 密集型的任务，使用多线程并不能提高 Python 的性能，反而会造成线程切换和锁竞争等额外开销。但是，对于 IO 密集型的任务，使用多线程或异步编程模型可以有效提高 Python 的性能，因为 IO 操作通常会阻塞线程，因此可以将线程切换到其他任务上，从而提高系统的吞吐量。

需要注意的是，GIL 只能保证 Python 代码的线程安全性，并不能保证多线程程序的正确性。多线程编程需要谨慎处理线程间的同步、数据共享等问题，避免出现死锁、饥饿等问题。