用Python绑定调用C/C++/Rust库

在《让你的Python程序像C语言一样快》我们学习了如何利用Python API来用C语言编写Python模块，通过将核心功能或性能敏感运算用C语言实现，Python程序可以运行地像C语言一样快。然而，很多时候我们需要的功能已经有人实现了，我们并不需要从头再实现一遍，只需要调用封装好的库即可，此时就需要用到Python绑定。Python绑定可以让Python程序调用C/C++/Rust编译的库函数，从而让我们在不重复造轮子的前提下，兼具Python和C/C++二者的优点。

Python绑定概述

Python绑定适用于如下场景和用例：

• 已有C/C++/Rust编写的库，为了让库调用更加方便，使其具有Python语言的优势，于是通过Python绑定提供Python调用接口
• 加速Python代码，将关键代码或性能敏感操作转换为C/C++/Rust实现，从而提升程序性能
• 使用Python测试工具做大规模测试

数据类型转换

如果你学习过《让你的Python程序像C语言一样快》或者你曾经用C语言写过Python模块，那么你应该体会到，Python调用C需要做的主要工作就是数据的封装和转换。这是因为Python和C的数据存储方式不同——C语言的数据存储更加紧凑。例如，C语言中的uint8_t在内存中只占8位；而Python一切皆对象，即便是最简单的整数，在Python中也要用更多的字节来存储。Python数据在内存中的存储结构跟操作系统、Python版本等诸多因素有关。因此，要想Python与C互相通信，必须对数据进行封装和转换。

我们看一下常见的数据类型

整数: Python可以存储任意精度的整数，在Python中我们可以存储任意大小的整数，无需担心溢出问题。而C语言是有存储上下限的，因此从Python传递整数到C需要格外留意数据大小，谨防C语言整型溢出。

浮点数: Python比C的精度更高，也就是说Python可以存储更大/更小的浮点数，这意味着Python传递浮点数给C需要留意失精度问题。

复数: Python内置复数类型，而C语言在ISO 99中引入了复数类型，它是通过complex.h头文件定义的。C语言的复数其实就是一个数组，数组中有两个元素，一个表示复数的实部，一个表示复数的虚部。因此没有内置的方法可以直接转换Python的复数和C的复数，一般需要定义结构体或类来完成复数的传递和转换。

字符串: 在Python绑定中传递字符串是件棘手的事情，因为Python和C以完全不同的格式存储字符串（与其他数据类型不同，C和C++对字符串的存储也不同）。因此如何处理字符串将是我们后面的重点。

布尔值: 布尔值由于非常简单，因此在转换和传递也都十分简单。

理解可变性和不可变性

除了上面这些基本数据类型外，我们还要了解Python对象是可变的还是不可变的。C函数传参有类似的概念，即传值和传址。在C语言中，所有参数都是传值的。如果希望函数可以修改调用者的变量，则需要传递指向该变量的指针。

您可能会想，是否可以通过使用指针将不可变对象传递给C来绕过不可变限制。正常情况下Python不会给你一个指向对象的指针，所以上面的方法是行不通的。（除非你深入到解释器的底层，用暴力的方式暴露对象指针，这样做不但代码丑陋，还会丧失代码的可移植性和安全性。）如果想用C语言修改Python对象，那么需要采取额外的步骤来实现这一点。后面会详细介绍如何实现。

因此，在创建Python绑定时，不变性是需要重点关注的。归根到底我们要处理的是Python与C语言内存管理方式的不同。

内存管理

C语言和Python管理内存的方式非常不同。在C语言中，开发人员需要自己手动管理所有内存的分配与释放，要确保不用的内存及时释放且还不能多次释放。而Python采用垃圾收集器自动管理内存。两种内存管理方式各有千秋，但客观上确实为创建Python绑定增添了额外的麻烦。我们需要知道每个对象的内存分配位置，并确保它只在同一语言环境下释放。

例如，在Python中，当执行x = 3时，会创建一个对象并且由Python的垃圾收集器来管理，对应C语言的代码为：

int* iPtr = (int*)malloc(sizeof(int));

上面的代码在堆上开辟了一块整型大小的空间，并将该空间的地址赋给了iPtr，这里的指针在C语言中需要手动释放。

开发环境

开发Python绑定对开发环境有一定要求，由于需要与外部C/C++/Rust库通信，因此需要一些额外的工具，总体上需要如下部分：

• Python ≥ 3.6
• Python开发者工具
  • Linux安装python3-dev 或 python3-devel（取决于所使用的Linux发行版）
  • Windows请参考这里
• invoke 工具
• 要绑定的C/C++/Rust库
• 虚拟环境（可选，推荐）

这里唯一一个没见过的东西就是invoke，下面会单独介绍invoke的安装和使用。

invoke

invoke用于构建和测试Python绑定，它跟make非常相似，只不过用Python脚本替代了Makefiles。

安装invoke非常简单，用pip即可安装

$ pip install invoke

安装完成后，在控制台输入invoke加要执行的任务即可运行指定任务

$ invoke build-cmult
==================================================
= Building C Library
* Complete

我们可以通过--list选项查看当前都支持哪些任务

$ invoke --list
Available tasks:

  all              Build and run all tests
  build-cffi       Build the CFFI Python bindings
  build-cmult      Build the shared library for the sample C code
  build-cppmult    Build the shared library for the sample C++ code
  build-cython     Build the cython extension module
  build-pybind11   Build the pybind11 wrapper library
  clean            Remove any built objects
  test-cffi        Run the script to test CFFI
  test-ctypes      Run the script to test ctypes
  test-cython      Run the script to test Cython
  test-pybind11    Run the script to test PyBind11

从上面的输出可以看到，对于每一个绑定，都有一个以build-开头的构建任务和一个以test-开头的测试任务。此外还有两个特别任务：

• invoke all 运行所有的构建和测试任务
• invoke clean 清楚所有生成的文件

了解了invoke的基本用法后，我们就可以着手开始构建我们的Python绑定了。

ctypes

我们首先学习用ctypes构建Python绑定。ctypes是Python的标准库，它提供了一组底层工具集用于加载共享库，并在Python和C之间编排数据。

安装

ctypes最大的优势是它是标准库的一部分，自Python 2.5开始ctypes随Python一起发行，不需要额外安装。使用时直接import进来即可。

调用函数

加载C库并调用函数的所有代码都在Python程序中，这个过程中没有额外的步骤。要在ctypes中创建Python绑定，需要如下步骤：

1. 加载库
2. 封装输入参数
3. 告诉ctypes函数返回类型

加载库

ctypes提供多种方法加载共享库，其中有些是平台特有的。例如，我们可以通过传入所需共享库的完整路径来直接创建一个ctypes.CDLL对象。

# ctypes_test.py
import ctypes
import pathlib

if __name__ == "__main__":
    # 加载共享库
    libname = pathlib.Path().absolute() / "libcmult.so"
    c_lib = ctypes.CDLL(libname)

当共享库与Python脚本位于同一目录中时，这将起作用，但当您尝试加载来自Python绑定以外的包的库时，请小心。

调用函数

共享库的函数定义如下：

// cmult.h
float cmult(int int_param, float float_param);

我们需要传递一个整型一个浮点型，并返回浮点型。整形和浮点型在Python和C中都是原生支持的。

一旦将库加载到Python绑定中，库中函数会成为c_lib的属性，c_lib是我们上一步创建的CDLL对象。我们可以这样调用库中函数：

x, y = 6, 2.3
answer = c_lib.cmult(x, y)

上面的代码看似合理，但执行会有报错：

$ invoke test-ctypes
Traceback (most recent call last):
  File "ctypes_test.py", line 16, in <module>
    answer = c_lib.cmult(x, y)
ctypes.ArgumentError: argument 2: <class 'TypeError'>: Don't know how to convert parameter 2

从报错信息可以看出我们需要告诉ctypes哪些非整型的参数，如果我们不明确告诉ctypes，否则ctypes不知道函数的这些信息。任何未标记的参数都假定为整数。ctyps不知道如何将存储在y中的值2.3转换为整数，因此它失败了。

要解决这个问题，我们需要将数字明确声明成一个c_float。我们可以在调用函数时执行此操作：

# ctypes_test.py
answer = c_lib.cmult(x, ctypes.c_float(y))
print(f"In Python: int: {x} float {y:.1f} return val {answer:.1f}")

现在再运行，将返回传入的两个数字的乘积：

$ invoke test-ctypes
    In cmult : int: 6 float 2.3 returning  13.8
    In Python: int: 6 float 2.3 return val 48.0

等等，Python代码中$6 \times 2.3=48.0$，这显然是错的！

造成这个问题的原因与输入参数非常类似，ctypes假设函数返回int。实际上，函数返回了一个浮点值，但它的编排转换方式不正确。就像输入参数一样，您需要告诉ctypes使用不同的类型。这里的语法稍稍不同：

# ctypes_test.py
c_lib.cmult.restype = ctypes.c_float
answer = c_lib.cmult(x, ctypes.c_float(y))
print(f"In Python: int: {x} float {y:.1f} return val {answer:.1f}")

修改后代码就运行正常了：

$ invoke test-ctypes
==================================================
= Building C Library
* Complete
==================================================
= Testing ctypes Module
    In cmult : int: 6 float 2.3 returning  13.8
    In Python: int: 6 float 2.3 return val 48.0

    In cmult : int: 6 float 2.3 returning  13.8
    In Python: int: 6 float 2.3 return val 13.8

优缺点

ctypes最大的优势是它内置在Python标准库中。我们不需要额外安装它，所有功能都内置在Python中。但是ctypes缺乏自动化，开发稍微复杂的项目时会变得非常麻烦。

Cython

Cython用类似Python的语法来创建Python绑定，然后生成可以编译到模块中的C或C++代码。Cython中有多种方法可以创建Python绑定，其中最常用的方法是使用distutils的setup。

安装

Cython可以通过pip直接安装：

$ pip install cython

调用函数

要效用共享库函数，我们需要编写绑定，编译绑定，最后在Python代码中调用绑定。Cython支持C和C++。

编写绑定

在Cython中声明模块的最常见形式是使用.pyx文件：

# cython_example.pyx
""" Example cython interface definition """

cdef extern from "cppmult.hpp":
    float cppmult(int int_param, float float_param)

def pymult(int_param, float_param ):
    return cppmult(int_param, float_param )

上面的代码分为2部分：

• 4-5行告诉Cython我们会调用cppmult.hpp中的cppmult函数
• 7-8行将cppmult函数封装成Python函数

Cython的语法是C、C++和Python的特殊组合。不过，Python开发者对它会很熟悉，因为Cython主体吸收了Python语法。

第一部分cdef extern告诉Cython下面定义的函数也出现在cppmult.hpp文件中。这样确保Python绑定的函数接口跟C/C++的声明一致。第二部分看上去跟正常的Python函数一样（实际上它就是一个常规的Python函数），这部分创建一个可以访问C++函数cppmult的Python函数。

编译绑定

要编译绑定，首先在.pyx文件上运行Cython以生成.cpp文件。完成后，使用g++对.cpp文件进行编译：

# tasks.py
def compile_python_module(cpp_name, extension_name):
    invoke.run(
        "g++ -O3 -Wall -Werror -shared -std=c++11 -fPIC "
        "`python3 -m pybind11 --includes` "
        "-I /usr/include/python3.7 -I .  "
        "{0} "
        "-o {1}`python3.7-config --extension-suffix` "
        "-L. -lcppmult -Wl,-rpath,.".format(cpp_name, extension_name)
    )

def build_cython(c):
    """ 编译cython扩展模块 """
    print_banner("Building Cython Module")
    # 在.pyx文件上运行Cython以生成.cpp文件
    invoke.run("cython --cplus -3 cython_example.pyx -o cython_wrapper.cpp")

    # 编译并连接cython封装库
    compile_python_module("cython_wrapper.cpp", "cython_example")
    print("* Complete")

上面的代码首先在.pyx文件上运行cython。这里用了几个选项：

• --cplus告诉Cython生成C++代码
• -3告诉Cython生成Python3代码
• -o cython_wrapper.cpp指定生成文件名称

生成C++文件后，就可以使用C++编译器生成Python绑定。用invoke运行上面定义的任务：

$ invoke build-cython
==================================================
= Building C++ Library
* Complete
==================================================
= Building Cython Module
* Complete

从输出可以看到，运行上面的任务会先构建cppmult库，然后再构建cython模块封装该库。完成构建后我们就得到Cython版Python绑定了。

调用函数

在Python中调用Python绑定函数跟调用常规Python函数一样：

# cython_test.py
import cython_example

x, y = 6, 2.3

answer = cython_example.pymult(x, y)
print(f"In Python: int: {x} float {y:.1f} return val {answer:.1f}")

这里第二行引入的就是新构建的Python绑定模块，第7行调用模块中的pymult()方法。pymult()是.pyx文件提供的cppmult()的Python封装，并将其重命名为pymult()。我们用invoke运行测试：

$ invoke test-cython
==================================================
= Testing Cython Module
    In cppmul: int: 6 float 2.3 returning  13.8
    In Python: int: 6 float 2.3 return val 13.8

优缺点

Cython是一个相对复杂的工具，它可以在用C或C++创建Python绑定时为提供深层次的控制。虽然这里没有深入介绍，但它提供了一种Python风格的方法来编写手动控制GIL的代码，这可以显著加速某些问题。

然而，尽管Cython像Python但并不完全是Python，因此，当你使用Cython时，会有一个轻微的学习曲线。

总结

Python中创建Python绑定的工具还有很多，上面只是给大家介绍了最具代表性的2个工具：ctypes是Python自带的，Cython可以用类似Python语法的cython语言构建Python绑定。除了这2个工具外，还有CFFI、PyBind11、PyBindGen、Boost.Python、SIP、cppyy、Shiboken、SWIG等，这些工具原理大同小异，大家可以自行去学习了解。