python c扩展能显著提升性能，核心在于绕过cpython解释器的对象查找、引用计数、类型检查等运行时开销，直接在c层执行计算密集型逻辑，并利用连续内存布局提升缓存命中率与向量化能力。
Python C 扩展能显著提升性能，核心在于绕过 Python 解释器的运行时开销，直接在 C 层执行计算密集型逻辑。
解释器开销是主要瓶颈
CPython 执行 Python 代码时需频繁进行对象查找、引用计数、类型检查、字节码解释等操作。每次循环、函数调用或算术运算都伴随这些开销。例如，对百万级列表做逐元素平方运算，纯 Python 需为每个元素创建临时 int 对象、检查类型、管理引用计数；而 C 代码可直接操作连续内存中的整数数组，无动态类型负担。
C 扩展让关键路径脱离解释器
通过 Python 的 C API（如 PyLong_AsLong、PyList_GetItem、Py_BuildValue），扩展模块在初始化阶段将 Python 对象“解包”为原生 C 数据（如 long*、double*），在 C 函数中完成核心计算，再将结果“打包”回 Python 对象返回。整个计算过程不经过字节码循环和对象操作层。
内存布局与缓存友好性提升实际速度
Python 列表本质是 PyObject 指针数组，元素分散在堆上；而 C 扩展常要求输入为 array.array 或 NumPy ndarray，其数据是连续的 C 风格内存块。这带来两方面优势：一是避免指针跳转，提高 CPU 缓存命中率；二是支持向量化指令（如 SSE/AVX）或 OpenMP 并行，纯 Python 无法利用这些底层硬件能力。
立即学习“Python免费学习笔记（深入）”；
何时适合写 C 扩展
- 算法核心是数值计算、字符串解析、加密哈希等 CPU 密集型任务
- 已有成熟 C/C++ 库需封装进 Python 生态（如 OpenSSL、FFmpeg）
- 性能瓶颈已通过 cProfile 和 line_profiler 定位到具体函数，且该函数被高频调用
- 输入数据可批量传递，减少 Python ↔ C 间的数据拷贝次数
不复杂但容易忽略：真正起效的前提是“把足够多的工作留在 C 层”。如果 C 函数只做几行计算就频繁回调 Python（如在 C 循环里调用 PyFloat_FromDouble），反而因跨层开销得不偿失。
