当前位置：首页 > news >正文

Python与Rust的混合编程：结合两者的优势

news 2026/7/23 21:13:55

Python与Rust的混合编程：结合两者的优势

前言

大家好，我是第一程序员（名字大，人很菜）。作为一个非科班转码、正在学习Rust和Python的萌新，最近我开始学习Python与Rust的混合编程。说实话，一开始我对混合编程的概念还很模糊，但随着学习的深入，我发现结合Python和Rust的优势可以构建出既高效又高性能的应用。今天我想分享一下我对Python与Rust混合编程的学习心得，希望能给同样是非科班转码的朋友们一些参考。

一、使用Rust扩展Python

1.1 使用PyO3

PyO3是一个用于在Rust和Python之间进行互操作的库：

// Cargo.toml [package] name = "rust_extension" version = "0.1.0" edition = "2021" [lib] crate-type = ["cdylib"] dependencies pyo3 = { version = "0.19.0", features = ["extension-module"] } // src/lib.rs use pyo3::prelude::*; #[pyfunction] fn add(a: i32, b: i32) -> i32 { a + b } #[pyfunction] fn fibonacci(n: u32) -> u64 { if n <= 1 { return n as u64; } fibonacci(n - 1) + fibonacci(n - 2) } #[pymodule] fn rust_extension(_py: Python, m: &PyModule) -> PyResult<()> { m.add_function(wrap_pyfunction!(add, m)?)?; m.add_function(wrap_pyfunction!(fibonacci, m)?)?; Ok(()) }

1.2 构建和使用扩展

# 构建扩展 cargo build --release # 复制动态库到Python项目目录 cp target/release/librust_extension.so rust_extension.so # 在Python中使用 import rust_extension print(rust_extension.add(1, 2)) # 输出: 3 print(rust_extension.fibonacci(10)) # 输出: 55

1.3 使用maturin

maturin是一个用于构建和发布Python包的工具：

# 安装maturin pip install maturin # 初始化项目 maturin init # 构建包 maturin build # 安装包 pip install target/wheels/rust_extension-0.1.0-cp39-cp39-manylinux_2_31_x86_64.whl # 在Python中使用 import rust_extension print(rust_extension.add(1, 2)) # 输出: 3

二、使用Python调用Rust代码

2.1 使用subprocess

使用subprocess模块调用Rust可执行文件：

// src/main.rs fn main() { let args: Vec<String> = std::env::args().collect(); if args.len() == 3 { let a: i32 = args[1].parse().unwrap(); let b: i32 = args[2].parse().unwrap(); println!("{}", a + b); } }

import subprocess # 编译Rust代码 subprocess.run(["cargo", "build", "--release"]) # 调用Rust可执行文件 result = subprocess.run(["./target/release/add", "1", "2"], capture_output=True, text=True) print(result.stdout.strip()) # 输出: 3

2.2 使用Rust Python bindings

使用Rust的Python bindings直接调用Python代码：

// Cargo.toml [dependencies] pyo3 = { version = "0.19.0", features = ["auto-initialize"] } // src/main.rs use pyo3::prelude::*; fn main() -> PyResult<()> { Python::with_gil(|py| { // 导入Python模块 let sys = py.import("sys")?; sys.getattr("path")?.call_method1("append", ("/path/to/python/modules",))?; // 导入自定义Python模块 let module = py.import("my_module")?; // 调用Python函数 let result = module.getattr("add")?.call1((1, 2))?; println!("Result: {:?}", result); Ok(()) }) }

三、性能对比

3.1 计算密集型任务

// Rust代码 fn fibonacci(n: u32) -> u64 { if n <= 1 { return n as u64; } fibonacci(n - 1) + fibonacci(n - 2) } fn main() { let start = std::time::Instant::now(); let result = fibonacci(40); let duration = start.elapsed(); println!("Rust: {} in {:?}", result, duration); }

# Python代码 import time def fibonacci(n): if n <= 1: return n return fibonacci(n-1) + fibonacci(n-2) start = time.time() result = fibonacci(40) duration = time.time() - start print(f"Python: {result} in {duration:.4f} seconds")

3.2 内存使用对比

// Rust代码 fn main() { let mut vec = Vec::new(); for i in 0..1_000_000 { vec.push(i); } println!("Rust: Vector size: {} bytes", std::mem::size_of_val(&vec) + vec.len() * std::mem::size_of::<i32>()); }

# Python代码 import sys lst = [i for i in range(1_000_000)] print(f"Python: List size: {sys.getsizeof(lst)} bytes")

四、混合编程的优势

4.1 Python的优势

开发效率高：语法简洁，生态丰富
数据科学：有Pandas、NumPy等库
Web开发：有Django、FastAPI等框架
自动化：有丰富的自动化工具

4.2 Rust的优势

性能优异：接近C/C++的性能
内存安全：无内存泄漏，无空指针
并发安全：无数据竞争
类型安全：编译时类型检查

4.3 混合编程的优势

性能与开发效率兼顾：Python负责业务逻辑，Rust负责性能关键部分
内存安全：Rust的内存安全特性可以避免Python中的内存问题
跨平台：两者都支持跨平台开发
生态互补：可以利用两者的生态系统

五、实践项目

5.1 性能关键部分使用Rust

# Python代码 import rust_extension # 性能关键部分使用Rust def process_large_data(data): # 使用Rust处理大规模数据 return rust_extension.process_data(data) # 业务逻辑使用Python def main(): data = load_large_data() result = process_large_data(data) analyze_result(result)

5.2 构建高性能Web服务

# Python代码（FastAPI） from fastapi import FastAPI import rust_extension app = FastAPI() @app.get("/fibonacci/{n}") def get_fibonacci(n: int): # 使用Rust计算斐波那契数列 result = rust_extension.fibonacci(n) return {"result": result}

5.3 构建高性能数据分析工具

# Python代码 import pandas as pd import rust_extension # 使用Rust加速数据分析 def analyze_data(df): # 将数据转换为Rust可处理的格式 data = df.values.tolist() # 使用Rust进行高性能计算 result = rust_extension.analyze_data(data) # 将结果转换回Python格式 return pd.DataFrame(result)