利用 C++ 与 pybind11 提升 Python 核心代码性能与保密性

1. 引言

在 Python 项目中，部分计算密集或频繁调用的代码可能会成为性能瓶颈，同时部分核心模块因保密需求不宜直接暴露源码。对此，我们可以将这部分代码使用 C++ 重写，并借助 pybind11 将其封装成 Python 模块，从而达到如下目的：

• 提高运行速度：充分利用 C++ 编译优化，以及低级别资源管理提升计算效率。
• 增强保密性：C++ 的编译产物（.so 文件等）较难被逆向，降低关键算法泄露风险。
• 保持项目整体风格：只需替换核心模块，其他 Python 代码无需大改。

同时，为了方便对比，我们保留了纯 Python 的实现，并在测试代码中对两种实现的运行速度做了比较。

2. C++ 代码与 pybind11 封装

以下示例代码展示了如何用 C++ 编写一个递归计算斐波那契数的函数以及一个简单的加法函数，并利用 pybind11 对它们进行封装。

// example.cpp
#include <pybind11/pybind11.h>

namespace py = pybind11;

// 递归计算斐波那契数，当 n 的值较大时，该函数计算速度较慢，适合作为性能对比的示例。
int fibonacci(int n) {
    if (n < 2)
        return n;
    return fibonacci(n - 1) + fibonacci(n - 2);
}

// 简单加法函数示例
int add(int a, int b) {
    return a + b;
}

PYBIND11_MODULE(example, m) {
    m.doc() = "利用 pybind11 封装的 C++ 示例模块";
    m.def("fibonacci", &fibonacci, "递归计算斐波那契数");
    m.def("add", &add, "简单加法运算");
}

编译 C++ 模块

确保在系统中安装了支持的 C++ 编译器以及 pybind11 库，然后使用以下命令进行编译（以 g++ 为例）：

c++ -O3 -Wall -shared -std=c++11 -fPIC `python3 -m pybind11 --includes` example.cpp -o example`python3-config --extension-suffix`

编译成功后，会生成一个共享库文件（如 example.cpython-38-x86_64-linux-gnu.so），该文件可以直接在 Python 中导入使用。

3. 纯 Python 代码版本

为了方便对比，我们保留了纯 Python 版本的斐波那契数实现。代码如下：

# fibonacci_python.py

def fibonacci_py(n):
    if n < 2:
        return n
    return fibonacci_py(n - 1) + fibonacci_py(n - 2)

这版实现与 C++ 中的逻辑一致，均采用递归算法计算斐波那契数。由于 Python 的解释性执行方式，在 n 较大时性能较差，正好可以用来与编译后的 C++ 模块进行性能对比。

4. 在 Python 中调用及性能对比

下面是一个完整的 Python 测试文件，通过调用纯 Python 版本和 C++ 模块分别计算斐波那契数，并对比两者的运行时间。

# test_comparison.py
import time
import example  # 导入通过 pybind11 编译得到的 C++ 模块

# 纯 Python 版本的递归实现
def fibonacci_py(n):
    if n < 2:
        return n
    return fibonacci_py(n - 1) + fibonacci_py(n - 2)

def run_speed_test(n):
    print(f"=== 测试 fibonacci({n}) ===")
    
    # 纯 Python 版本测试
    start = time.perf_counter()
    result_py = fibonacci_py(n)
    end = time.perf_counter()
    python_time = end - start
    print(f"纯 Python 计算结果：{result_py}，耗时：{python_time:.6f} 秒")
    
    # 使用 C++ 模块测试
    start = time.perf_counter()
    result_cpp = example.fibonacci(n)
    end = time.perf_counter()
    cpp_time = end - start
    print(f"C++ 计算结果（pybind11 模块）：{result_cpp}，耗时：{cpp_time:.6f} 秒")
    
    print(f"加速比: {python_time / cpp_time:.2f}x\n")

if __name__ == "__main__":
    # 选择一个较大的 n 值来测试，n 值太小可能看不出太大区别
    test_value = 35
    run_speed_test(test_value)

执行这个测试脚本你会得到类似下面的输出（具体运行时间因系统环境、CPU 性能及编译优化而异）：

=== 测试 fibonacci(35) ===
纯 Python 计算结果：9227465，耗时：3.756123 秒
C++ 计算结果（pybind11 模块）：9227465，耗时：0.073512 秒
加速比: 51.12x

从结果中可以明显看出，使用 C++ 的实现比纯 Python 实现快得多，同时两者计算结果一致，证明了在保持逻辑一致的前提下，C++ 模块能够有效提升性能。

5. 总结

通过上述方案，我们既保留了纯 Python 的实现，也实现了利用 C++ 与 pybind11 封装的高性能模块，并且对比测试了两者的执行速度。该方案具有以下优点：

• 性能提升：核心算法经 C++ 编译优化后，运行速度显著加快。
• 保密增强：关键算法封装在编译后的共享库中，不易直接还原源码。
• 无缝集成：通过 pybind11 将 C++ 功能导出为 Python 模块，现有 Python 项目几乎无需做改动。

这种采用 C++ 与 pybind11 混合开发的方案，特别适用于那些既有高性能需求又有核心逻辑保密需求的项目。希望本文的示例与说明能为你的项目提供有益的参考和帮助！