摘要：您是拥有想要从 Python 中使用的C或 C++ 库的 Python 开发人员吗？如果是这样，那么Python 绑定允许您调用函数并将数据从 Python 传递到C或C++，让您利用这两种语言的优势。
本文分享自华为云社区《Python 绑定:从 Python 调用 C 或 C++ |【生长吧！Python!】》，原文作者：Yuchuan 。
您是拥有想要从 Python 中使用的C或 C++ 库的 Python 开发人员吗？如果是这样，那么Python 绑定允许您调用函数并将数据从 Python 传递到C或C++，让您利用这两种语言的优势。在本教程中，您将看到一些可用于创建 Python 绑定的工具的概述。
在本教程中，您将了解：
- 为什么要从 Python调用 C 或 C++
- 如何在 C 和 Python 之间传递数据
- 哪些工具和方法可以帮助您创建 Python 绑定
本教程面向中级 Python 开发人员。它假定读者具备 Python 的基本知识，并对 C 或 C++ 中的函数和数据类型有所了解。您可以通过单击下面的链接获取本教程中将看到的所有示例代码：
Python Bindings概述
在深入研究如何从 Python 调用 C之前，最好花一些时间了解为什么. 有几种情况下，创建 Python 绑定来调用 C 库是一个好主意：
- 您已经拥有一个用 C++ 编写的大型、经过测试的稳定库，您想在 Python 中利用它。这可能是一个通信库或一个与特定硬件对话的库。它做什么并不重要。
- 您希望通过将关键部分转换为 C来加速 Python 代码的特定部分。 C 不仅具有更快的执行速度，而且还允许您摆脱GIL的限制，前提是您小心。
- 您想使用 Python 测试工具对其系统进行大规模测试。
以上所有都是学习创建 Python 绑定以与 C 库交互的重要原因。
注意：在本教程中，您将创建到 C和C++ 的Python 绑定。大多数通用概念适用于两种语言，因此除非两种语言之间存在特定差异，否则将使用 C。通常，每个工具都支持 C或C++，但不能同时支持两者。
让我们开始吧！
编组数据类型
等待！在开始编写 Python 绑定之前，先看看 Python 和 C 如何存储数据以及这会导致哪些类型的问题。首先，让我们定义编组。这个概念由维基百科定义如下：
将对象的内存表示转换为适合存储或传输的数据格式的过程。
出于您的目的，编组是 Python 绑定在准备数据以将其从 Python 移动到 C 或反之亦然时所做的工作。Python 绑定需要进行编组，因为 Python 和 C 以不同的方式存储数据。C 在内存中以最紧凑的形式存储数据。如果您使用uint8_t，那么它总共将只使用 8 位内存。
另一方面，在 Python 中，一切都是对象。这意味着每个整数在内存中使用几个字节。多少取决于您运行的 Python 版本、操作系统和其他因素。这意味着您的 Python 绑定将需要为每个跨边界传递的整数将C 整数转换为Python 整数。
其他数据类型在这两种语言之间具有相似的关系。让我们依次来看看：
- 整数存储计数数字。Python 以任意精度存储整数，这意味着您可以存储非常非常大的数字。C 指定整数的确切大小。在语言之间移动时需要注意数据大小，以防止 Python 整数值溢出 C 整数变量。
- 浮点数是带有小数位的数字。Python 可以存储比 C 大得多（和小得多）的浮点数。这意味着您还必须注意这些值以确保它们保持在范围内。
- 复数是带有虚部的数字。虽然 Python 具有内置复数，而 C 具有复数，但没有用于在它们之间编组的内置方法。要封送复数，您需要在 C 代码中构建struct或class来管理它们。
- 字符串是字符序列。作为这样一种常见的数据类型，当您创建 Python 绑定时，字符串将被证明是相当棘手的。与其他数据类型一样，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，这也是 C 和 C++ 不同的领域，这增加了乐趣！）您将研究的每个解决方案都有略微不同的处理字符串的方法。
- 布尔变量只能有两个值。由于它们在 C 中得到支持，因此将它们编组将被证明是相当简单的。
除了数据类型转换之外，在构建 Python 绑定时还需要考虑其他问题。让我们继续探索它们。
了解可变和不可变值
除了所有这些数据类型之外，您还必须了解 Python 对象如何可变或不可变。当谈到传值或传引用时，C 有一个类似的函数参数概念。在 C 中，所有参数都是按值传递的。如果要允许函数更改调用方中的变量，则需要传递指向该变量的指针。
您可能想知道是否可以通过使用指针将不可变对象简单地传递给 C 来绕过不可变限制。除非你走到丑陋和不可移植的极端，否则Python 不会给你一个指向 object 的指针，所以这行不通。如果您想用 C 修改 Python 对象，那么您需要采取额外的步骤来实现这一点。这些步骤将取决于您使用的工具，如下所示。
因此，您可以将不变性添加到您创建 Python 绑定时要考虑的项目清单中。在创建此清单的宏伟之旅中，您的最后一站是如何处理 Python 和 C 处理内存管理的不同方式。
管理内存
C 和 Python管理内存的方式不同。在 C 中，开发人员必须管理所有内存分配并确保它们被释放一次且仅一次。Python 使用垃圾收集器为您处理这个问题。
虽然这些方法中的每一种都有其优点，但它确实为创建 Python 绑定添加了额外的麻烦。您需要知道每个对象的内存分配在哪里，并确保它只在语言障碍的同一侧被释放。
例如，当您设置x = 3. 用于此的内存在 Python 端分配，需要进行垃圾收集。幸运的是，使用 Python 对象，很难做任何其他事情。看看 C 中的逆向，直接分配一块内存：
int* iPtr = (int*)malloc(sizeof(int));
执行此操作时，您需要确保在 C 中释放此指针。这可能意味着手动将代码添加到 Python 绑定中以执行此操作。
这完善了您的一般主题清单。让我们开始设置您的系统，以便您可以编写一些代码！
设置您的环境
在本教程中，您将使用来自 Real Python GitHub 存储库的预先存在的 C 和 C++ 库来展示每个工具的测试。目的是您将能够将这些想法用于任何 C 库。要遵循此处的所有示例，您需要具备以下条件：
- 安装的C++ 库和命令行调用路径的知识
- Python开发工具：
- 对于 Linux，这是python3-dev或python3-devel包，具体取决于您的发行版。
- 对于 Windows，有多个选项。
- Python 3.6或更高版本
- 一个虚拟环境（建议，但不要求）
- 该invoke工具
最后一个对你来说可能是新的，所以让我们仔细看看它。
使用invoke工具
invoke是您将在本教程中用于构建和测试 Python 绑定的工具。它具有类似的目的，make但使用 Python 而不是 Makefiles。您需要invoke使用pip以下命令在虚拟环境中安装：
$ python3 -m pip install invoke
要运行它，请键入invoke后跟要执行的任务：
$ invoke build-cmult ================================================== = Building C Library * Complete
要查看哪些任务可用，请使用以下--list选项：
$ 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
请注意，当您查看定义任务的tasks.py文件时invoke，您会看到列出的第二个任务的名称是build_cffi. 但是，来自的输出将其--list显示为build-cffi. 减号 ( -) 不能用作 Python 名称的一部分，因此该文件使用下划线 ( _) 代替。
对于您将检查的每个工具，都会定义一个build-和一个test-任务。例如，要运行 的代码CFFI，您可以键入invoke build-cffi test-cffi。一个例外是ctypes，因为 没有构建阶段ctypes。此外，为了方便，还添加了两个特殊任务：
- invoke all 运行所有工具的构建和测试任务。
- invoke clean 删除任何生成的文件。
既然您已经对如何运行代码有所了解，那么在查看工具概述之前，让我们先看一下您将要包装的 C 代码。
C 或 C++ 源代码
在下面的每个示例部分中，您将为C 或 C++ 中的相同函数创建 Python 绑定。这些部分旨在让您体验每种方法的外观，而不是有关该工具的深入教程，因此您将封装的函数很小。您将为其创建 Python 绑定的函数将 anint和 afloat作为输入参数并返回一个float是两个数字的乘积：
// cmult.c float cmult(int int_param, float float_param) { float return_value = int_param * float_param; printf(" In cmult : int: %d float %.1f returning %.1f ", int_param, float_param, return_value); return return_value; }
C 和 C++ 函数几乎相同，它们之间的名称和字符串略有不同。您可以通过单击以下链接获取所有代码的副本：
现在您已经克隆了 repo 并安装了工具，您可以构建和测试这些工具。因此，让我们深入了解下面的每个部分！
ctypes
您将从 开始ctypes，它是标准库中用于创建 Python 绑定的工具。它提供了一个低级工具集，用于在 Python 和 C 之间加载共享库和编组数据。
它是如何安装的
的一大优点ctypes是它是 Python 标准库的一部分。它是在 Python 2.5 版中添加的，因此您很可能已经拥有它。您可以import像使用sys或time模块一样。
调用函数
加载 C 库和调用函数的所有代码都将在 Python 程序中。这很棒，因为您的过程中没有额外的步骤。您只需运行您的程序，一切都会得到处理。要在 中创建 Python 绑定ctypes，您需要执行以下步骤：
- 加载您的库。
- 包装一些输入参数。
- 告诉 ctypes你函数的返回类型。
您将依次查看其中的每一个。
库加载
ctypes为您提供了多种加载共享库的方法，其中一些是特定于平台的。对于您的示例，您将ctypes.CDLL通过传入所需共享库的完整路径来直接创建对象：
# ctypes_test.py import ctypes import pathlib if __name__ == "__main__": # Load the shared library into ctypes libname = pathlib.Path().absolute() / "libcmult.so" c_lib = ctypes.CDLL(libname)
这适用于共享库与 Python 脚本位于同一目录中的情况，但在尝试加载来自 Python 绑定以外的包的库时要小心。在ctypes特定于平台和特定情况的文档中，有许多关于加载库和查找路径的详细信息。
注意：在库加载过程中可能会出现许多特定于平台的问题。最好在示例工作后进行增量更改。
现在您已将库加载到 Python 中，您可以尝试调用它！
调用你的函数
请记住，您的 C 函数的函数原型如下：
// cmult.h float cmult(int int_param, float float_param);
您需要传入一个整数和一个浮点数，并且可以期望得到一个浮点数返回。整数和浮点数在 Python 和 C 中都有本机支持，因此您希望这种情况适用于合理的值。
将库加载到 Python 绑定中后，该函数将成为 的属性c_lib，即CDLL您之前创建的对象。您可以尝试这样称呼它：
x, y = 6, 2.3 answer = c_lib.cmult(x, y)
哎呀！这不起作用。此行在示例 repo 中被注释掉，因为它失败了。如果您尝试使用该调用运行，那么 Python 会报错：
$ 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
看起来您需要说明ctypes任何不是整数的参数。ctypes除非您明确告诉它，否则您对该函数一无所知。任何未以其他方式标记的参数都假定为整数。ctypes不知道如何将2.3存储的值转换为y整数，所以它失败了。
要解决此问题，您需要c_float从号码中创建一个。您可以在调用函数的行中执行此操作：
# 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，当您运行此代码时，它会返回您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
等一下……6乘以2.3不是48.0！
事实证明，就像输入参数一样，ctypes 假设您的函数返回一个int. 实际上，您的函数返回 a float，它被错误地编组。就像输入参数一样，您需要告诉ctypes使用不同的类型。这里的语法略有不同：
# 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}")
这应该够了吧。让我们运行整个test-ctypes目标，看看你有什么。请记住，输出的第一部分是在restype将函数固定为浮点数之前：
$ 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
这样更好！虽然第一个未更正的版本返回错误的值，但您的固定版本与 C 函数一致。C 和 Python 都得到相同的结果！现在它可以工作了，看看为什么您可能想或不想使用ctypes.
长处和短处
ctypes与您将在此处检查的其他工具相比，最大的优势在于它内置于标准库中。它还不需要额外的步骤，因为所有工作都是作为 Python 程序的一部分完成的。
此外，所使用的概念是低级的，这使得像您刚刚做的那样的练习易于管理。然而，由于缺乏自动化，更复杂的任务变得繁琐。在下一部分中，您将看到一个工具，该工具为流程添加了一些自动化。
CFFI
CFFI是Python的C 外来函数接口。生成 Python 绑定需要更自动化的方法。CFFI有多种方式可以构建和使用 Python 绑定。有两种不同的选项可供选择，为您提供四种可能的模式：
- ABI vs API： API 模式使用 C 编译器生成完整的 Python 模块，而 ABI 模式加载共享库并直接与其交互。在不运行编译器的情况下，获取正确的结构和参数很容易出错。该文档强烈建议使用 API 模式。
- 内联 vs 外联：这两种模式的区别在于速度和便利性之间的权衡：
- 每次运行脚本时，内联模式都会编译 Python 绑定。这很方便，因为您不需要额外的构建步骤。但是，它确实会减慢您的程序速度。
- Out-of-line 模式需要一个额外的步骤来一次性生成 Python 绑定，然后在每次程序运行时使用它们。这要快得多，但这对您的应用程序可能无关紧要。
对于此示例，您将使用 API 外联模式，它生成最快的代码，并且通常看起来类似于您将在本教程后面创建的其他 Python 绑定。
它是如何安装的
由于CFFI不是标准库的一部分，您需要在您的机器上安装它。建议您为此创建一个虚拟环境。幸运的是，CFFI安装有pip：
$ python3 -m pip install cffi
这会将软件包安装到您的虚拟环境中。如果您已经从 安装requirements.txt，那么应该注意这一点。您可以requirements.txt通过访问以下链接中的 repo 来查看：
获取示例代码： 单击此处获取您将用于在本教程中了解 Python 绑定的示例代码。
现在你已经CFFI安装好了，是时候试一试了！
调用函数
与 不同的是ctypes，CFFI您正在创建一个完整的 Python 模块。您将能够import像标准库中的任何其他模块一样使用该模块。您需要做一些额外的工作来构建 Python 模块。要使用CFFIPython 绑定，您需要执行以下步骤：
- 编写一些描述绑定的 Python 代码。
- 运行该代码以生成可加载模块。
- 修改调用代码以导入和使用新创建的模块。
这可能看起来需要做很多工作，但您将完成这些步骤中的每一个，并了解它是如何工作的。
编写绑定
CFFI提供读取C 头文件的方法，以在生成 Python 绑定时完成大部分工作。在 的文档中CFFI，执行此操作的代码放置在单独的 Python 文件中。对于此示例，您将直接将该代码放入构建工具中invoke，该工具使用 Python 文件作为输入。要使用CFFI，您首先要创建一个cffi.FFI对象，该对象提供了您需要的三种方法：
# tasks.py import cffi ... """ Build the CFFI Python bindings """ print_banner("Building CFFI Module") ffi = cffi.FFI()
拥有 FFI 后，您将使用.cdef()来自动处理头文件的内容。这会为您创建包装函数以从 Python 封送数据：
# tasks.py this_dir = pathlib.Path().absolute() h_file_name = this_dir / "cmult.h" with open(h_file_name) as h_file: ffi.cdef(h_file.read())
读取和处理头文件是第一步。之后，您需要使用.set_source()来描述CFFI将生成的源文件：
# tasks.py ffi.set_source( "cffi_example", # Since you're calling a fully-built library directly, no custom source # is necessary. You need to include the .h files, though, because behind # the scenes cffi generates a .c file that contains a Python-friendly # wrapper around each of the functions. '#include "cmult.h"', # The important thing is to include the pre-built lib in the list of # libraries you're linking against: libraries=["cmult"], library_dirs=[this_dir.as_posix()], extra_link_args=["-Wl,-rpath,."], )
以下是您传入的参数的细分：
- "cffi_example"是将在您的文件系统上创建的源文件的基本名称。CFFI将生成一个.c文件，将其编译为一个.o文件，并将其链接到一个.<system-description>.so或.<system-description>.dll文件。
- '#include "cmult.h"'是自定义 C 源代码，它将在编译之前包含在生成的源代码中。在这里，您只需包含.h要为其生成绑定的文件，但这可用于一些有趣的自定义。
- libraries=["cmult"]告诉链接器您预先存在的 C 库的名称。这是一个列表，因此您可以根据需要指定多个库。
- library_dirs=[this_dir.as_posix(),] 是一个目录列表，告诉链接器在何处查找上述库列表。
- extra_link_args=['-Wl,-rpath,.']是一组生成共享对象的选项，它将在当前路径 ( .) 中查找它需要加载的其他库。
构建 Python 绑定
调用.set_source()不会构建 Python 绑定。它只设置元数据来描述将生成的内容。要构建 Python 绑定，您需要调用.compile()：
# tasks.py
ffi.compile()
这通过生成.c文件、.o文件和共享库来完成。在invoke你刚走通过任务可以在上运行命令行构建Python绑定：
$ invoke build-cffi ================================================== = Building C Library * Complete ================================================== = Building CFFI Module * Complete
你有你的CFFIPython 绑定，所以是时候运行这段代码了！
调用你的函数
在您为配置和运行CFFI编译器所做的所有工作之后，使用生成的 Python 绑定看起来就像使用任何其他 Python 模块一样：
# cffi_test.py import cffi_example if __name__ == "__main__": # Sample data for your call x, y = 6, 2.3 answer = cffi_example.lib.cmult(x, y) print(f" In Python: int: {x} float {y:.1f} return val {answer:.1f}")
你导入新模块，然后就可以cmult()直接调用了。要对其进行测试，请使用以下test-cffi任务：
$ invoke test-cffi ================================================== = Testing CFFI Module In cmult : int: 6 float 2.3 returning 13.8 In Python: int: 6 float 2.3 return val 13.8
这将运行您的cffi_test.py程序，该程序会测试您使用CFFI. 关于编写和使用CFFIPython 绑定的部分到此结束。
长处和短处
ctypes与CFFI您刚刚看到的示例相比，这似乎需要更少的工作。虽然这对于这个用例来说是正确的，CFFI但与ctypes由于大部分功能包装的自动化相比，它可以更好地扩展到更大的项目。
CFFI也产生了完全不同的用户体验。ctypes允许您将预先存在的 C 库直接加载到您的 Python 程序中。CFFI，另一方面，创建一个可以像其他 Python 模块一样加载的新 Python 模块。
更重要的是，使用上面使用的外部 API方法，创建 Python 绑定的时间损失在您构建它时完成一次，并且不会在每次运行代码时发生。对于小程序来说，这可能不是什么大问题，但也可以通过CFFI这种方式更好地扩展到更大的项目。
就像ctypes， usingCFFI只允许您直接与 C 库交互。C++ 库需要大量的工作才能使用。在下一节中，您将看到一个专注于 C++ 的 Python 绑定工具。
PyBind11
PyBind11使用完全不同的方法来创建 Python 绑定。除了将重点从 C 转移到 C++ 之外，它还使用 C++ 来指定和构建模块，使其能够利用 C++ 中的元编程工具。像 一样CFFI，生成的 Python 绑定PyBind11是一个完整的 Python 模块，可以直接导入和使用。
PyBind11以Boost::Python库为蓝本并具有类似的界面。但是，它将其使用限制为 C++11 和更新版本，与支持所有内容的 Boost 相比，这使其能够简化和加快处理速度。
它是如何安装的
文档的“第一步”部分将PyBind11引导您了解如何下载和构建PyBind11. 虽然这似乎不是严格要求，但完成这些步骤将确保您设置了正确的 C++ 和 Python 工具。
注：大部分示例PyBind11使用cmake，是构建 C 和 C++ 项目的好工具。但是，对于此演示，您将继续使用该invoke工具，该工具遵循文档的手动构建部分中的说明。
您需要将此工具安装到您的虚拟环境中：
$ python3 -m pip install pybind11
PyBind11是一个全头库，类似于 Boost 的大部分内容。这允许pip将库的实际 C++ 源代码直接安装到您的虚拟环境中。
调用函数
在您深入研究之前，请注意您使用的是不同的 C++ 源文件, cppmult.cpp，而不是您用于前面示例的 C 文件。两种语言的功能基本相同。
编写绑定
与 类似CFFI，您需要创建一些代码来告诉该工具如何构建您的 Python 绑定。与 不同CFFI，此代码将使用 C++ 而不是 Python。幸运的是，只需要很少的代码：
// pybind11_wrapper.cpp #include <pybind11/pybind11.h> #include <cppmult.hpp> PYBIND11_MODULE(pybind11_example, m) { m.doc() = "pybind11 example plugin"; // Optional module docstring m.def("cpp_function", &cppmult, "A function that multiplies two numbers"); }
让我们一次一个地看，因为PyBind11将大量信息打包成几行。
前两行包括pybind11.hC++ 库的文件和头文件cppmult.hpp. 之后，你就有了PYBIND11_MODULE宏。这将扩展为PyBind11源代码中详细描述的 C++ 代码块：
此宏创建入口点，当 Python 解释器导入扩展模块时将调用该入口点。模块名称作为第一个参数给出，不应用引号引起来。第二个宏参数定义了一个py::module可用于初始化模块的类型变量。（来源）
这对您来说意味着，在本例中，您正在创建一个名为的模块pybind11_example，其余代码将m用作py::module对象的名称。在下一行，在您定义的 C++ 函数中，您为模块创建一个文档字符串。虽然这是可选的，但让您的模块更加Pythonic是一个不错的选择。
最后，你有m.def()电话。这将定义一个由您的新 Python 绑定导出的函数，这意味着它将在 Python 中可见。在此示例中，您将传递三个参数：
- cpp_function是您将在 Python 中使用的函数的导出名称。如本例所示，它不需要匹配 C++ 函数的名称。
- &cppmult 获取要导出的函数的地址。
- "A function..." 是函数的可选文档字符串。
现在您已经有了 Python 绑定的代码，接下来看看如何将其构建到 Python 模块中。
构建 Python 绑定
用于构建 Python 绑定的工具PyBind11是 C++ 编译器本身。您可能需要修改编译器和操作系统的默认值。
首先，您必须构建要为其创建绑定的 C++ 库。对于这么小的示例，您可以将cppmult库直接构建到 Python 绑定库中。但是，对于大多数实际示例，您将有一个要包装的预先存在的库，因此您将cppmult单独构建该库。构建是对编译器的标准调用以构建共享库：
# tasks.py invoke.run( "g++ -O3 -Wall -Werror -shared -std=c++11 -fPIC cppmult.cpp " "-o libcppmult.so " )
运行这个invoke build-cppmult产生libcppmult.so：
$ invoke build-cppmult ================================================== = Building C++ Library * Complete
另一方面，Python 绑定的构建需要一些特殊的细节：
1# tasks.py 2invoke.run( 3 "g++ -O3 -Wall -Werror -shared -std=c++11 -fPIC " 4 "`python3 -m pybind11 --includes` " 5 "-I /usr/include/python3.7 -I . " 6 "{0} " 7 "-o {1}`python3.7-config --extension-suffix` " 8 "-L. -lcppmult -Wl,-rpath,.".format(cpp_name, extension_name) 9)
让我们逐行浏览一下。第 3 行包含相当标准的 C++ 编译器标志，指示几个细节，包括您希望捕获所有警告并将其视为错误、您需要共享库以及您使用的是 C++11。
第 4 行是魔法的第一步。它调用pybind11模块使其include为PyBind11. 您可以直接在控制台上运行此命令以查看它的作用：
$ python3 -m pybind11 --includes -I/home/jima/.virtualenvs/realpython/include/python3.7m -I/home/jima/.virtualenvs/realpython/include/site/python3.7
您的输出应该相似但显示不同的路径。
在编译调用的第 5 行，您可以看到您还添加了 Python dev 的路径includes。虽然建议您不要链接 Python 库本身，但源代码需要一些代码Python.h才能发挥其魔力。幸运的是，它使用的代码在 Python 版本中相当稳定。
第 5 行还用于-I .将当前目录添加到include路径列表中。这允许#include <cppmult.hpp>解析包装器代码中的行。
第 6 行指定源文件的名称，即pybind11_wrapper.cpp. 然后，在第 7 行，您会看到更多的构建魔法正在发生。此行指定输出文件的名称。Python 在模块命名上有一些特别的想法，包括 Python 版本、机器架构和其他细节。Python 还提供了一个工具来帮助解决这个问题python3.7-config：
$ python3.7-config --extension-suffix .cpython-37m-x86_64-linux-gnu.so
如果您使用的是不同版本的 Python，则可能需要修改该命令。如果您使用不同版本的 Python 或在不同的操作系统上，您的结果可能会发生变化。
构建命令的最后一行，第 8 行，将链接器指向libcppmult您之前构建的库。该rpath部分告诉链接器向共享库添加信息以帮助操作系统libcppmult在运行时查找。最后，您会注意到此字符串的格式为cpp_name和extension_name。Cython在下一节中构建 Python 绑定模块时，您将再次使用此函数。
运行此命令以构建绑定：
$ invoke build-pybind11 ================================================== = Building C++ Library * Complete ================================================== = Building PyBind11 Module * Complete
就是这样！您已经使用PyBind11. 是时候测试一下了！
调用你的函数
与CFFI上面的示例类似，一旦您完成了创建 Python 绑定的繁重工作，调用您的函数看起来就像普通的 Python 代码：
# pybind11_test.py import pybind11_example if __name__ == "__main__": # Sample data for your call x, y = 6, 2.3 answer = pybind11_example.cpp_function(x, y) print(f" In Python: int: {x} float {y:.1f} return val {answer:.1f}")
由于您pybind11_example在PYBIND11_MODULE宏中用作模块的名称，因此这就是您导入的名称。在m.def()您告诉PyBind11将cppmult函数导出为 的调用中cpp_function，这就是您用来从 Python 调用它的方法。
你也可以测试它invoke：
$ invoke test-pybind11 ================================================== = Testing PyBind11 Module In cppmul: int: 6 float 2.3 returning 13.8 In Python: int: 6 float 2.3 return val 13.8
这就是PyBind11看起来的样子。接下来，您将了解何时以及为何PyBind11是适合该工作的工具。
长处和短处
PyBind11专注于 C++ 而不是 C，这使得它不同于ctypes和CFFI。它有几个特性使其对 C++ 库非常有吸引力：
- 它支持类。
- 它处理多态子类化。
- 它允许您从 Python 和许多其他工具向对象添加动态属性，而使用您检查过的基于 C 的工具很难做到这一点。
话虽如此，您需要进行大量设置和配置才能PyBind11启动和运行。正确安装和构建可能有点挑剔，但一旦完成，它似乎相当可靠。此外，PyBind11要求您至少使用 C++11 或更高版本。对于大多数项目来说，这不太可能是一个很大的限制，但它可能是您的一个考虑因素。
最后，创建 Python 绑定需要编写的额外代码是用 C++ 编写的，而不是用 Python 编写的。这可能是也可能不是你的问题，但它是比你在这里看到的其他工具不同。在下一节中，您将继续讨论Cython，它采用完全不同的方法来解决这个问题。
Cython
该方法Cython需要创建Python绑定使用类Python语言来定义绑定，然后生成的C或C ++代码可被编译成模块。有几种方法可以使用Cython. 最常见的一种是使用setupfrom distutils。对于此示例，您将坚持使用该invoke工具，它允许您使用运行的确切命令。
它是如何安装的
Cython是一个 Python 模块，可以从PyPI安装到您的虚拟环境中：
$ python3 -m pip install cython
同样，如果您已将该requirements.txt文件安装到虚拟环境中，则该文件已经存在。您可以requirements.txt通过单击以下链接获取副本：
获取示例代码： 单击此处获取您将用于在本教程中了解 Python 绑定的示例代码。
这应该让你准备好与之合作Cython！
调用函数
要使用 构建 Python 绑定Cython，您将遵循与用于CFFI和 的步骤类似的步骤PyBind11。您将编写绑定、构建它们，然后运行 Python 代码来调用它们。Cython可以同时支持 C 和 C++。对于本示例，您将使用cppmult您在PyBind11上面的示例中使用的库。
编写绑定
声明模块的最常见形式Cython是使用.pyx文件：
1# cython_example.pyx 2""" Example cython interface definition """ 3 4cdef extern from "cppmult.hpp": 5 float cppmult(int int_param, float float_param) 6 7def pymult( int_param, float_param ): 8 return cppmult( int_param, float_param )
这里有两个部分：
- 线3和4告诉Cython您使用的是cppmult()从cppmult.hpp。
- 第 6 行和第 7 行创建了一个包装函数pymult()，以调用cppmult()。
这里使用的语言是 C、C++ 和 Python 的特殊组合。不过，对于 Python 开发人员来说，它看起来相当熟悉，因为其目标是使过程更容易。
第一部分 withcdef extern...告诉Cython下面的函数声明也可以在cppmult.hpp文件中找到。这对于确保根据与 C++ 代码相同的声明构建 Python 绑定非常有用。第二部分看起来像一个普通的 Python 函数——因为它是！本节创建一个可以访问 C++ 函数的 Python 函数cppmult。
现在您已经定义了 Python 绑定，是时候构建它们了！
构建 Python 绑定
构建过程Cython与您使用的构建过程相似PyBind11。您首先Cython在.pyx文件上运行以生成.cpp文件。完成此操作后，您可以使用用于以下内容的相同函数对其进行编译PyBind11：
1# tasks.py 2def compile_python_module(cpp_name, extension_name): 3 invoke.run( 4 "g++ -O3 -Wall -Werror -shared -std=c++11 -fPIC " 5 "`python3 -m pybind11 --includes` " 6 "-I /usr/include/python3.7 -I . " 7 "{0} " 8 "-o {1}`python3.7-config --extension-suffix` " 9 "-L. -lcppmult -Wl,-rpath,.".format(cpp_name, extension_name) 10 ) 11 12def build_cython(c): 13 """ Build the cython extension module """ 14 print_banner("Building Cython Module") 15 # Run cython on the pyx file to create a .cpp file 16 invoke.run("cython --cplus -3 cython_example.pyx -o cython_wrapper.cpp") 17 18 # Compile and link the cython wrapper library 19 compile_python_module("cython_wrapper.cpp", "cython_example") 20 print("* Complete")
您首先运行cython您的.pyx文件。您可以在此命令上使用几个选项：
- --cplus 告诉编译器生成 C++ 文件而不是 C 文件。
- -3切换Cython到生成 Python 3 语法而不是 Python 2。
- -o cython_wrapper.cpp 指定要生成的文件的名称。
生成 C++ 文件后，您可以使用 C++ 编译器生成 Python 绑定，就像您为PyBind11. 请注意，include使用该pybind11工具生成额外路径的调用仍在该函数中。在这里不会有任何伤害，因为您的来源不需要这些。
在 中运行此任务invoke会产生以下输出：
$ invoke build-cython ================================================== = Building C++ Library * Complete ================================================== = Building Cython Module * Complete
可以看到它构建了cppmult库，然后构建了cython模块来包装它。现在你有了CythonPython 绑定。（试着说的是迅速...）它的时间来测试一下吧！
调用你的函数
调用新 Python 绑定的 Python 代码与用于测试其他模块的代码非常相似：
1# cython_test.py 2import cython_example 3 4# Sample data for your call 5x, y = 6, 2.3 6 7answer = cython_example.pymult(x, y) 8print(f" In Python: int: {x} float {y:.1f} return val {answer:.1f}")
第 2 行导入新的 Python 绑定模块，并pymult()在第 7 行调用。请记住，该.pyx文件提供了一个 Python 包装器cppmult()并将其重命名为pymult. 使用 invoke 运行您的测试会产生以下结果：
$ 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
你得到和以前一样的结果！
长处和短处
Cython是一个相对复杂的工具，可以在为 C 或 C++ 创建 Python 绑定时为您提供更深层次的控制。虽然您没有在此处深入介绍它，但它提供了一种 Python 式的方法来编写手动控制GIL 的代码，这可以显着加快某些类型的问题的处理速度。
然而，这种 Python 风格的语言并不完全是 Python，因此当您要快速确定 C 和 Python 的哪些部分适合何处时，会有一个轻微的学习曲线。
其他解决方案
在研究本教程时，我遇到了几种用于创建 Python 绑定的不同工具和选项。虽然我将此概述限制为一些更常见的选项，但我偶然发现了其他几种工具。下面的列表并不全面。如果上述工具之一不适合您的项目，这只是其他可能性的一个示例。
PyBindGen
PyBindGen为 C 或 C++ 生成 Python 绑定并用 Python 编写。它旨在生成可读的 C 或 C++ 代码，这应该可以简化调试问题。目前尚不清楚这是否最近已更新，因为文档将 Python 3.4 列为最新的测试版本。然而，在过去的几年里，每年都有发布。
Boost.Python
Boost.Python有一个类似于PyBind11您在上面看到的界面。这不是巧合，因为PyBind11它基于这个库！Boost.Python是用完整的 C++ 编写的，并且在大多数平台上支持大多数（如果不是全部）C++ 版本。相比之下，PyBind11仅限于现代 C++。
SIP
SIP是为PyQt项目开发的用于生成 Python 绑定的工具集。wxPython项目也使用它来生成它们的绑定。它有一个代码生成工具和一个额外的 Python 模块，为生成的代码提供支持功能。
Cppyy
cppyy是一个有趣的工具，它的设计目标与您目前所见略有不同。用包作者的话来说：
“cppyy 背后的最初想法（追溯到 2001 年）是允许生活在 C++ 世界中的 Python 程序员访问那些 C++ 包，而不必直接接触 C++（或等待 C++ 开发人员过来并提供绑定） 。” （来源）
Shiboken
Shiboken是为与 Qt 项目关联的 PySide 项目开发的用于生成 Python 绑定的工具。虽然它被设计为该项目的工具，但文档表明它既不是 Qt 也不是 PySide 特定的，可用于其他项目。
SWIG
SWIG是与此处列出的任何其他工具不同的工具。它是一个通用工具，用于为许多其他语言（而不仅仅是 Python）创建到 C 和 C++ 程序的绑定。这种为不同语言生成绑定的能力在某些项目中非常有用。当然，就复杂性而言，它会带来成本。
结论
恭喜！您现在已经大致了解了用于创建Python 绑定的几个不同选项。您已经了解了编组数据以及创建绑定时需要考虑的问题。您已经了解了如何使用以下工具从 Python 调用 C 或 C++ 函数：
- ctypes
- CFFI
- PyBind11
- Cython
您现在知道，虽然ctypes允许您直接加载 DLL 或共享库，但其他三个工具需要额外的步骤，但仍会创建完整的 Python 模块。作为奖励，您还使用了invoke从 Python 运行命令行任务的工具。