M

MLOG

العربية

حسّن أداء كود بايثون باستخدام Cython. تعلم كيفية سد الفجوة بين سهولة استخدام بايثون وسرعة لغة C الخام. يتضمن أمثلة وأفضل الممارسات والتقنيات المتقدمة.

أداء لغة بايثون: إطلاق العنان للسرعة مع تحسينات Cython

تعتبر لغة بايثون، المشهورة بوضوحها ومكتباتها الواسعة، حجر الزاوية في تطوير البرمجيات الحديثة. ومع ذلك، يمكن أن تؤدي طبيعتها المفسَّرة أحيانًا إلى اختناقات في الأداء، خاصة في المهام التي تتطلب حسابات مكثفة. وهنا يأتي دور Cython، حيث يقدم حلاً قويًا لسد الفجوة بين سهولة استخدام بايثون وسرعة لغة C الخام.

ما هو Cython؟

Cython هي لغة برمجة تعمل كمجموعة شاملة (superset) للغة بايثون. تتيح لك كتابة كود بايثون مع إعلانات أنواع ثابتة اختيارية شبيهة بلغة C. يقوم مترجم Cython بعد ذلك بترجمة هذا الكود إلى كود C مُحسَّن، والذي يمكن تجميعه في وحدة ملحقة (extension module) لبايثون. يؤدي هذا إلى مكاسب كبيرة في الأداء، غالبًا دون الحاجة إلى إعادة كتابة كود بايثون بالكامل.

الفوائد الرئيسية لـ Cython:

البدء مع Cython

لبدء استخدام Cython، ستحتاج إلى تثبيته. الطريقة الموصى بها هي باستخدام pip:

pip install cython

ستحتاج أيضًا إلى مترجم C، مثل GCC (المتوفر في معظم أنظمة لينكس) أو MinGW لنظام ويندوز. توفر أدوات سطر الأوامر الخاصة بـ Xcode مترجمًا على نظام macOS. تأكد من تكوين المترجم الخاص بك بشكل صحيح.

مثال بسيط: متتالية فيبوناتشي

لنوضح قوة Cython بمثال كلاسيكي: حساب متتالية فيبوناتشي. أولاً، لننشئ تطبيقًا بلغة بايثون البحتة:

# fibonacci.py
def fibonacci(n):
 a, b = 0, 1
 for i in range(n):
 a, b = b, a + b
 return a

الآن، لننشئ نسخة Cython من نفس الدالة:

# fibonacci.pyx
def fibonacci(int n):
 cdef int a = 0, b = 1, i
 for i in range(n):
 a, b = b, a + b
 return a

لاحظ الفرق الرئيسي: لقد أضفنا إعلانات الأنواع باستخدام cdef. هذا يخبر Cython بمعاملة a و b و i كأعداد صحيحة من نوع C، مما يسمح بإجراء حسابات أكثر كفاءة.

تجميع كود Cython

لتجميع كود Cython، سنقوم بإنشاء ملف setup.py:

# setup.py
from setuptools import setup
from Cython.Build import cythonize

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

ثم، قم بتشغيل الأمر التالي:

python setup.py build_ext --inplace

سيؤدي هذا إلى إنشاء ملف fibonacci.so (أو .pyd على ويندوز)، وهو وحدة ملحقة لبايثون. يمكنك الآن استيراد واستخدام دالة فيبوناتشي المحسّنة بـ Cython في كود بايثون الخاص بك.

قياس الأداء

لمقارنة الأداء، لننشئ سكربت قياس بسيطًا:

# benchmark.py
import time
import fibonacci # سيستورد ملف .py إذا لم يكن ملف .so/.pyd موجودًا
import fibonacci as cy_fibonacci # فرض استخدام ملف .so/.pyd إذا كان موجودًا

# إنشاء ملف وهمي إذا لم تكن النسخة المترجمة متاحة لمنع الأخطاء
try:
 cy_fibonacci.fibonacci(1) # محاولة استخدام الوحدة المترجمة
except AttributeError:
 cy_fibonacci = fibonacci # العودة إلى تطبيق بايثون

n = 30

start_time = time.time()
result = fibonacci.fibonacci(n)
end_time = time.time()
python_time = end_time - start_time

start_time = time.time()
result = cy_fibonacci.fibonacci(n)
end_time = time.time()
cython_time = end_time - start_time

print(f"استغرقت دالة فيبوناتشي ببايثون ({n}): {python_time:.4f} ثانية")
print(f"استغرقت دالة فيبوناتشي بـ Cython ({n}): {cython_time:.4f} ثانية")
print(f"التسريع: {python_time / cython_time:.2f}x")

سيُظهر تشغيل هذا السكربت تسريعًا كبيرًا لنسخة Cython، غالبًا بعامل 10 أو أكثر. وهذا يوضح قوة Cython في تحسين الأكواد التي يعد الأداء فيها عاملاً حاسمًا.

تقنيات Cython المتقدمة

إلى جانب إعلانات الأنواع الأساسية، يقدم Cython العديد من التقنيات المتقدمة لمزيد من التحسين:

1. استخدام `nogil` للتوازي

يحد قفل المفسر العام (GIL) في بايثون من التوازي الحقيقي في التطبيقات متعددة الخيوط. يسمح لك Cython بتحرير GIL باستخدام الكلمة المفتاحية nogil، مما يتيح التنفيذ المتوازي الحقيقي في سيناريوهات معينة. هذا مفيد بشكل خاص للمهام التي تتطلب حسابات مكثفة ولا تحتاج إلى الوصول المتكرر إلى كائنات بايثون.

# parallel_task.pyx
from cython.parallel import prange

cdef void my_parallel_task(int num_iterations) nogil:
 cdef int i
 for i in prange(num_iterations):
 # قم بتنفيذ المهمة الحسابية المكثفة هنا
 pass

توفر دالة prange من cython.parallel نسخة موازية من دالة range القياسية.

2. استخدام عروض الذاكرة (Memory Views) للوصول الفعال إلى المصفوفات

توفر عروض الذاكرة في Cython طريقة قوية للوصول إلى المصفوفات والتعامل معها بكفاءة. تسمح لك بالعمل مع مصفوفات NumPy ومخازن الذاكرة المؤقتة الأخرى دون إنشاء نسخ غير ضرورية.

# memory_views.pyx
import numpy as np

cdef double[:] process_array(double[:] arr):
 cdef int i
 for i in range(arr.shape[0]):
 arr[i] = arr[i] * 2
 return arr

يوضح هذا المثال كيفية إنشاء عرض ذاكرة double[:] للوصول الفعال إلى مصفوفة NumPy وتعديلها.

3. التفاعل مع مكتبات C/C++

يجعل Cython من السهل التكامل مع مكتبات C/C++ الحالية. يمكنك إعلان دوال وهياكل C مباشرة في كود Cython الخاص بك واستدعائها من بايثون.

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

def python_sqrt(x):
 return sqrt(x)

يوضح هذا المثال كيفية استدعاء دالة sqrt من مكتبة C math.h.

أفضل الممارسات لتحسين Cython

لتحقيق أقصى استفادة من Cython، ضع في اعتبارك أفضل الممارسات التالية:

دراسات حالة وأمثلة من العالم الحقيقي

تم استخدام Cython بنجاح في مجموعة واسعة من التطبيقات، بما في ذلك:

على سبيل المثال، في القطاع المالي، قد تستخدم شركة لإدارة المخاطر Cython لتسريع محاكاة مونت كارلو لتسعير الخيارات. يمكن لفريق في لندن أو نيويورك أو سنغافورة الاستفادة من Cython لتقليل أوقات الحساب من ساعات إلى دقائق، مما يسمح بتقييمات مخاطر أكثر تكرارًا ودقة. وبالمثل، في مجال الحوسبة العلمية، يمكن للباحثين في طوكيو أو برلين استخدام Cython لتسريع تحليل مجموعات البيانات الكبيرة، مما يتيح اكتشافًا وابتكارًا أسرع.

Cython مقابل تقنيات التحسين الأخرى

بينما يعد Cython أداة تحسين قوية، فمن المهم التفكير في خيارات أخرى أيضًا:

الخاتمة

تعد Cython أداة قيمة لتحسين كود بايثون عندما يكون الأداء عاملاً حاسمًا. من خلال سد الفجوة بين بايثون و C، تتيح لك Cython تحقيق تسريع كبير دون التضحية بسهولة استخدام بايثون ومرونتها. سواء كنت تعمل على الحوسبة العلمية، أو تحليل البيانات، أو تطوير الويب، أو أي تطبيق آخر حساس للأداء، يمكن أن يساعدك Cython على إطلاق العنان للإمكانات الكاملة لكود بايثون الخاص بك. تذكر أن تحلل أداء الكود الخاص بك، وأن تبدأ صغيرًا، وأن تستفيد من ميزات Cython المتقدمة لتحقيق الأداء الأمثل. مع ازدياد اعتماد العالم على البيانات والحسابات المكثفة، ستستمر Cython في لعب دور حاسم في تمكين تطوير برمجيات أسرع وأكثر كفاءة عبر مختلف الصناعات والمناطق الجغرافية.