Python 代码精简和优化

2024年2月21日 84次阅读 来源: I2Cbus

Python很简单，容易使用，开发效率很高，移植性很好，代码资源也很丰富，被广泛使用。但是Python代码编出来的动态库比较大，python库很全，缺点就是库比较大。

在内存占用方法，随着py库的引入，内存也成倍的增加，这里来讨论下如何来给Python瘦身，以及如何优化内存的占用。

一、如何给Python的动态库瘦身。

Python的代码还是很精练的，所以要减小小代码的大小比较困难，但是仍然有一些思路来减小Python库的大小。

1、strip python动态库。

动态库一般都是包含符号表，这些在调用的时候很有用，但是对于release版本，完全可以把符号表去调，方法就是用strip命令，这样大小可以从八九兆锐减到3兆以内。

2、使用代码优化选项：-O3，该参数会对代码进行最大程度的优化，包括优化生成的二进制代码的大小，缺点是优化后会对调试带来困难。

3、去除代码中的Doc String.

Python的代码里有用PyDoc_STRVAR宏定义的模块的帮助说明，这些是可以去掉的，方法是在configure的时候指定–without-doc-strings，这样生成的pyconfig.h中就会不会有下面的定义：

#define WITH_DOC_STRINGS 1

这可以减小生成的动态库的大小，当然在运行时也可以减小模块的内存的占用，因为这些模块不再包含帮助信息。

4、去掉unicode支持。

python中unicode支持不是必需的，当然python 3另当别论。python中要支持unicode可以采用utf-8编码的方式。去掉unicode的支持可以在configure的时候使用下面的参数：

–enable-unicode=no

这样，在pyconfig.h中会去掉下面的定义：

#define Py_USING_UNICODE 1

二：如何减小Python的扩展库的大小？

Python的扩展库放在lib目录下，可以在lib目录下执行下面的命令来编译Python代码：

python -OO -m compileall .

这样会生成pyo扩展名的库文件，-OO参数会去掉doc string，这样在py文件中注释比较多的时候可以显著减小编译目标文件的大小。

注意不要使用绝对路径：

如python -OO -m compileall /path/to/python/lib 这样使用绝对路径的命令，因为生成pyo文件的时候，，每个函数和类的方法会生成一个一个的code object对象，每个code object都会保存它所在的模块的路径，如果使用绝对路径，在路径比较长的时候，函数又比较多的时候，很显著的增加pyo文件的大小。

当然，在代码运行时，也可以减小内存的占用量。

三、如何裁减扩展库。

有个py2exe的工具可以打包python代码和依赖的动态库，把python所必须的扩展库打包到zip文件中，但是实际上这个zip包往往并不是最精简的。其实裁减的最大难点是要找出所有依赖的模块，可以用下面的方法来找出某个模块所依赖的其它模块：

import importlib
def module_diff(mod):
    import sys
    keys = []
    for key in sys.modules.keys():
        keys.append(key)
    importlib.import_module(mod)
    for key in sys.modules.keys():
        if not key in keys:
            print key,sys.modules[key]

如要查看multiprocessing模块所依赖的模块，可以用下面的命令：

module_diff('multiprocessing')

将会得到下面的输出：

multiprocessing.atexit None
multiprocessing.weakref None
multiprocessing.signal None
threading <module 'threading' from 'C:\Python27\lib\threading.pyc'>
cPickle <module 'cPickle' (built-in)>
_multiprocessing <module '_multiprocessing' from 'C:\Python27\DLLs\_multiprocessing.pyd'>
multiprocessing.os None
multiprocessing.itertools None
multiprocessing.threading None
multiprocessing.util <module 'multiprocessing.util' from 'C:\Python27\lib\multiprocessing\util.pyc'>
multiprocessing.sys None
cStringIO <module 'cStringIO' (built-in)>
multiprocessing._multiprocessing None
multiprocessing.multiprocessing None
thread <module 'thread' (built-in)>
atexit <module 'atexit' from 'C:\Python27\lib\atexit.pyc'>
multiprocessing <module 'multiprocessing' from 'C:\Python27\lib\multiprocessing\__init__.pyc'>
weakref <module 'weakref' from 'C:\Python27\lib\weakref.pyc'>
itertools <module 'itertools' (built-in)>
time <module 'time' (built-in)>
multiprocessing.process <module 'multiprocessing.process' from 'C:\Python27\lib\multiprocessing\process.pyc'

这样就可以知道所依赖的模块了。

 要查看所有的模块，则更简单：

def print_all_module():
    import sys
    keys = []
    for key in sys.modules.keys():
        print key,sys.modules[key]

在代码初始化完后执行上面的函数，就可以知道程序运行所需的模块了。

    原文作者：I2Cbus
    原文地址: https://blog.csdn.net/I2Cbus/article/details/41625337
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞