深入 Python 的底层世界：从 C 扩展到 ctypes 与 Cython 的本质差异全解析

在 Python 的生态中，我们习惯了它的优雅语法、强大库生态与极高的开发效率。但当你真正走进性能优化、系统编程、科学计算、底层接口对接等领域时，你会发现：

Python 的边界，其实由 C 决定。

无论是 NumPy、Pandas、PyTorch，还是高性能 Web 服务器、数据库驱动、加密库，它们的核心几乎都依赖 C/C++ 扩展。

于是问题来了：

Python 的 C 扩展到底怎么写？
ctypes、Cython、Python.h 这些方式有什么区别？
什么时候应该用哪一种？
如何在项目中安全、高效地调用 C 代码？

这篇文章，我会带你从 Python 的底层机制讲起，再深入 C 扩展的三种主流方式，并结合大量代码示例，让你真正理解 Python 与 C 的边界是如何被打通的。

一、开篇：为什么 Python 需要 C 扩展？

Python 自诞生以来就以"简洁、优雅、高效开发"著称，但它也有天然的性能瓶颈：

解释执行速度慢
GIL 限制多线程并行
数值计算效率不如 C/C++

于是，Python 生态形成了一个非常重要的模式：

用 Python 写业务逻辑，用 C 写性能关键部分。

这也是为什么：

NumPy 的核心是 C
Pandas 的核心是 Cython + C
TensorFlow / PyTorch 的核心是 C++ + CUDA
uvloop 用 Cython 重写了 asyncio 的事件循环

Python 之所以能成为"胶水语言"，正是因为它能轻松调用 C/C++、Rust、Go 等语言的代码。

二、Python C 扩展的三种主流方式

Python 调用 C 的方式主要有三种：

方式	特点	性能	难度	适用场景
Python.h（原生 C 扩展）	直接写 C，编译成模块	最高	高	核心库、性能极限优化
ctypes	运行时加载动态库	中等	低	调用已有 C 库、快速集成
Cython	写 Python 风格代码，编译成 C	高	中	科学计算、性能优化、扩展开发

接下来我们逐一深入。

三、方式一：使用 Python.h 编写原生 C 扩展（最底层、最高性能）

这是最传统、最底层的方式，也是 CPython 官方推荐的扩展方式。

1. 编写一个简单的 C 扩展

我们写一个简单的 C 函数：计算两个整数的和。

calc.c

c 复制代码

#include <Python.h>

static PyObject* add(PyObject* self, PyObject* args) {
    int a, b;
    if (!PyArg_ParseTuple(args, "ii", &a, &b)) {
        return NULL;
    }
    return PyLong_FromLong(a + b);
}

static PyMethodDef CalcMethods[] = {
    {"add", add, METH_VARARGS, "Add two integers"},
    {NULL, NULL, 0, NULL}
};

static struct PyModuleDef calcmodule = {
    PyModuleDef_HEAD_INIT,
    "calc",
    NULL,
    -1,
    CalcMethods
};

PyMODINIT_FUNC PyInit_calc(void) {
    return PyModule_Create(&calcmodule);
}

2. 编译扩展

创建 setup.py：

python 复制代码

from setuptools import setup, Extension

module = Extension("calc", sources=["calc.c"])

setup(
    name="calc",
    version="1.0",
    ext_modules=[module]
)

编译：

复制代码

python setup.py build
python setup.py install

3. Python 中调用

python 复制代码

import calc

print(calc.add(3, 5))  # 输出 8

4. 优点与缺点

优点

性能最高
完全控制内存、类型、结构体
可直接操作 Python 对象（PyObject）

缺点

开发成本高
需要理解 Python C API
容易出现内存泄漏、崩溃

适合对性能要求极高的场景，如：

数值计算核心
高性能网络库
底层驱动

四、方式二：ctypes ------ 最简单的 C 调用方式

如果你已经有一个现成的 C 动态库（.so / .dll），你不需要写任何 C 扩展，只需用 ctypes 加载即可。

1. 编写 C 代码并编译为动态库

mylib.c

c 复制代码

int add(int a, int b) {
    return a + b;
}

编译：

复制代码

gcc -shared -o mylib.so -fPIC mylib.c

2. Python 中调用

python 复制代码

import ctypes

lib = ctypes.CDLL("./mylib.so")

lib.add.argtypes = (ctypes.c_int, ctypes.c_int)
lib.add.restype = ctypes.c_int

print(lib.add(3, 5))  # 输出 8

3. 优点与缺点

优点

不需要写 Python.h
不需要编译 Python 扩展
直接加载已有 C 库
非常适合快速集成第三方 C 库

缺点

性能不如原生 C 扩展（有动态调用开销）
类型声明繁琐
不支持 C++（需要 extern "C"）
调用复杂结构体时容易出错

适合：

调用已有 C 库（如 OpenSSL、libcurl）
快速验证 C 函数
不想写 C 扩展的场景

五、方式三：Cython ------ Python 与 C 的完美融合

Cython 是一种"增强版 Python"，它允许你：

写 Python 风格代码
添加类型声明
编译成 C 扩展
获得接近 C 的性能

1. 一个简单示例

calc.pyx

cython 复制代码

def add(int a, int b):
    return a + b

2. 编译 Cython 扩展

setup.py

python 复制代码

from setuptools import setup
from Cython.Build import cythonize

setup(
    ext_modules=cythonize("calc.pyx")
)

编译：

复制代码

python setup.py build_ext --inplace

3. Python 中调用

python 复制代码

import calc

print(calc.add(3, 5))

4. Cython 的强大之处

你可以写 Python 风格的代码：

cython 复制代码

cdef int i
for i in range(10000000):
    ...

也可以直接调用 C 函数：

cython 复制代码

cdef extern from "math.h":
    double sqrt(double x)

甚至可以写 C 结构体、C 数组、C 指针。

5. 优点与缺点

优点

写法接近 Python，学习成本低
性能接近 C
自动生成 C 扩展，不需要手写 Python.h
科学计算领域的事实标准（NumPy、Pandas 都在用）

缺点

需要编译
生成的 C 代码难以阅读
不是纯 Python，依赖 Cython 工具链

适合：

科学计算
性能优化
需要大量循环、数值计算的场景
构建大型扩展模块

六、ctypes vs Cython：本质区别是什么？

这是很多开发者最关心的问题。

1. 调用方式不同

方式	调用方式
ctypes	运行时加载动态库
Cython	编译时生成 C 扩展

ctypes 是动态调用，Cython 是静态编译。

2. 性能差异

方式	性能
ctypes	中等（动态调用开销）
Cython	高（编译成 C）

Cython 的性能通常比 ctypes 高一个数量级。

3. 类型安全性

方式	类型安全
ctypes	手动声明类型，容易出错
Cython	编译器检查类型

4. 适用场景

场景	推荐方式
调用已有 C 库	ctypes
写高性能扩展	Cython
需要极致性能	Python.h
快速验证 C 函数	ctypes
科学计算	Cython

一句话总结：

ctypes 是"调用 C 库"，Cython 是"生成 C 代码"。

七、实战案例：用 Cython 加速 Python 数值计算

我们用 Python 写一个简单的循环：

python 复制代码

def compute(n):
    s = 0
    for i in range(n):
        s += i
    return s

执行 1 亿次循环需要几秒。

Cython 加速版

compute.pyx

cython 复制代码

def compute(int n):
    cdef int i
    cdef long s = 0
    for i in range(n):
        s += i
    return s

性能提升可达 50 倍以上。

八、最佳实践：如何选择 C 扩展方式？

1. 如果你已有 C 库：用 ctypes

不需要改 C 代码
不需要写 Python.h
不需要编译 Python 扩展

2. 如果你要写高性能模块：用 Cython

写法接近 Python
性能接近 C
科学计算领域标准

3. 如果你需要极致性能：用 Python.h

完全控制内存
性能最高
但开发成本最大

九、前沿趋势：Python C 扩展的未来

随着 Python 生态的发展，C 扩展也在不断演进：

1. Cython 仍然是科学计算的主力

Pandas 2.0 仍大量使用 Cython
SciPy、NumPy 也依赖 Cython

2. Rust 正在成为新的选择

如 PyO3、maturin：

安全
高性能
无内存泄漏风险

3. Python 3.12 引入更快的解释器（PEP 659）

但 C 扩展仍然不可替代。

十、总结：Python 与 C 的边界，是你性能优化的起点

我们回顾一下：

Python.h：最底层、最高性能、最难
ctypes：最简单、最灵活、适合调用现成 C 库
Cython：性能与开发效率的最佳平衡点

一句话总结：

ctypes 是桥梁，Cython 是武器，Python.h 是终极形态。