Skip to content

README.zh-CN.md

Latest commit

 

History

History
160 lines (106 loc) · 4.26 KB

README.zh-CN.md

File metadata and controls

160 lines (106 loc) · 4.26 KB
Raw

Python 调用 C++ 实现 Fibonacci

English | 中文 | 日本語 | Français | Deutsch

这个项目演示如何用 C++ 实现 Fibonacci 计算，并通过 Python 原生扩展模块在 Python 中调用。

构建完成后，Python 可以这样使用：

import fibonacci_cpp

print(fibonacci_cpp.fibonacci(10))  # 55

演示图片

环境要求

  • Python 3.x
  • CMake 3.18 或更高版本
  • 一个可用的 C++17 编译器，例如 MinGW、MSVC 或 Clang

确认命令可用：

python --version
cmake --version
g++ --version

Python 扩展模块必须使用同一个 Python 版本来构建和运行。本项目的 CMake 会优先选择当前命令行 PATH 中的 python，这样 cmake --build build 生成的模块可以直接被 python main.py 导入。

如果想指定某个 Python 解释器，可以这样配置：

cmake -S . -B build -DPython_EXECUTABLE="C:\Users\你的用户名\miniconda3\python.exe"

构建

在项目根目录运行：

cmake -S . -B build
cmake --build build

构建成功后，build 目录里会生成类似下面的文件：

fibonacci_cpp.cp313-win_amd64.pyd

文件名中的 Python 版本号可能不同。例如 cp313 表示 CPython 3.13。

CMakeLists.txt 的核心配置是：

find_package(Python REQUIRED COMPONENTS Interpreter Development.Module)

add_library(fibonacci_cpp MODULE
    src/fibonacci.cpp
)

target_link_libraries(fibonacci_cpp PRIVATE Python::Module)

生成的模块名是 fibonacci_cpp，所以 Python 中使用 import fibonacci_cpp。

使用方式

src/fibonacci.cpp 使用 Python C API 暴露了一个函数：

fibonacci_cpp.fibonacci(n)

说明：

  • n 必须是非负整数。
  • 返回值是 Python 的 int，因此支持大整数结果。
  • C++ 侧当前把 n 解析为 unsigned long long，所以最大支持的索引是 18446744073709551615。实际可计算大小仍取决于内存和运行时间。

运行示例：

python main.py

运行更大的测试：

python main.py 1000000

Wall Time 性能测试

main.py 会做两件事：

  • 打印 fibonacci_cpp.fibonacci(0) 到 fibonacci_cpp.fibonacci(10) 的小规模结果。
  • 对比纯 Python 版本和 C++ 扩展版本计算同一个大数时消耗的 Wall Time。

默认测试：

python main.py

示例结果：

Benchmark n = 100,000
Result decimal digits : 20,899
Python Wall Time     : 0.052376 s
C++ Wall Time        : 0.000816 s
Speedup              : 64.18x

测试 n = 1000000：

python main.py 1000000

示例结果：

Benchmark n = 1,000,000
Result decimal digits : 208,988
Python Wall Time     : 4.540529 s
C++ Wall Time        : 0.033997 s
Speedup              : 133.56x

不同机器、Python 版本、编译器和后台负载都会影响 Wall Time，所以这些数字只作为参考。更严谨的性能评估可以多运行几次取平均值，或者使用 pyperf 这类专业工具。

为什么 C++ 在这里更有优势

C++ 扩展适合放置计算密集型热点代码。在这个项目里：

  • Python 版本使用直观循环实现，每一步都要经过 Python 字节码执行和变量绑定。
  • C++ 扩展把热点逻辑放进编译后的模块中，减少 Python 层循环开销。
  • C++ 版本使用快速倍增法，用大约 O(log n) 次大整数运算计算 Fibonacci，比普通循环的 O(n) 次迭代更适合大 n。
  • Python 仍然负责调用入口和结果展示，C++ 负责重计算部分。

不是所有代码改成 C++ 都会更快。跨语言调用本身有成本，适合下沉到 C++ 的通常是计算密集、调用次数可控、逻辑相对稳定的部分。

学习资料