Mở Khóa Hiệu Suất của Python: Đi Sâu vào Chiến Lược Tích Hợp PyPy

Trong nhiều thập kỷ, các nhà phát triển đã yêu thích Python vì cú pháp thanh lịch, hệ sinh thái rộng lớn và năng suất vượt trội. Tuy nhiên, một câu chuyện dai dẳng vẫn tiếp diễn: Python là "chậm". Mặc dù đây là một sự đơn giản hóa, nhưng đúng là đối với các tác vụ sử dụng nhiều CPU, trình thông dịch CPython tiêu chuẩn có thể tụt hậu so với các ngôn ngữ được biên dịch như C++ hoặc Go. Nhưng nếu bạn có thể đạt được hiệu suất gần bằng các ngôn ngữ này mà không từ bỏ hệ sinh thái Python mà bạn yêu thích thì sao? Hãy đến với PyPy và trình biên dịch Just-in-Time (JIT) mạnh mẽ của nó.

Bài viết này là một hướng dẫn toàn diện dành cho các kiến trúc sư, kỹ sư và trưởng nhóm kỹ thuật phần mềm toàn cầu. Chúng ta sẽ vượt ra ngoài tuyên bố đơn giản rằng "PyPy nhanh" và đi sâu vào cơ chế thực tế về cách nó đạt được tốc độ của mình. Quan trọng hơn, chúng ta sẽ khám phá các chiến lược cụ thể, có thể hành động để tích hợp PyPy vào các dự án của bạn, xác định các trường hợp sử dụng lý tưởng và điều hướng các thách thức tiềm ẩn. Mục tiêu của chúng tôi là trang bị cho bạn kiến thức để đưa ra các quyết định sáng suốt về thời điểm và cách tận dụng PyPy để tăng cường các ứng dụng của bạn.

Câu chuyện về Hai Trình thông dịch: CPython so với PyPy

Để đánh giá cao những gì làm cho PyPy trở nên đặc biệt, trước tiên chúng ta phải hiểu môi trường mặc định mà hầu hết các nhà phát triển Python làm việc: CPython.

CPython: Triển khai Tham chiếu

Khi bạn tải xuống Python từ python.org, bạn sẽ nhận được CPython. Mô hình thực thi của nó rất đơn giản:

1. Phân tích cú pháp và Biên dịch: Các tệp .py có thể đọc được của bạn được phân tích cú pháp và biên dịch thành một ngôn ngữ trung gian độc lập với nền tảng được gọi là bytecode. Đây là những gì được lưu trữ trong các tệp .pyc.
2. Giải thích: Một máy ảo (trình thông dịch Python) sau đó thực thi bytecode này từng lệnh một.

Mô hình này cung cấp sự linh hoạt và tính di động đáng kinh ngạc, nhưng bước giải thích vốn chậm hơn so với việc chạy mã đã được biên dịch trực tiếp thành các hướng dẫn máy gốc. CPython cũng có Global Interpreter Lock (GIL) nổi tiếng, một mutex chỉ cho phép một luồng thực thi bytecode Python tại một thời điểm, hạn chế hiệu quả khả năng song song đa luồng cho các tác vụ bị ràng buộc bởi CPU.

PyPy: Thay thế được cung cấp bởi JIT

PyPy là một trình thông dịch Python thay thế. Đặc điểm hấp dẫn nhất của nó là nó chủ yếu được viết bằng một tập hợp con hạn chế của Python có tên là RPython (Python hạn chế). Công cụ RPython có thể phân tích mã này và tạo ra một trình thông dịch tùy chỉnh, được tối ưu hóa cao, hoàn chỉnh với trình biên dịch Just-in-Time.

Thay vì chỉ giải thích bytecode, PyPy làm điều gì đó phức tạp hơn nhiều:

• Nó bắt đầu bằng cách giải thích mã, giống như CPython.
• Đồng thời, nó lập hồ sơ mã đang chạy, tìm kiếm các vòng lặp và hàm được thực thi thường xuyên—chúng thường được gọi là "điểm nóng".
• Khi một điểm nóng được xác định, trình biên dịch JIT sẽ bắt đầu. Nó dịch bytecode của vòng lặp nóng cụ thể đó thành mã máy được tối ưu hóa cao, được điều chỉnh theo các loại dữ liệu cụ thể đang được sử dụng tại thời điểm đó.
• Các cuộc gọi tiếp theo đến mã này sẽ thực thi trực tiếp mã máy nhanh, được biên dịch, bỏ qua hoàn toàn trình thông dịch.

Hãy nghĩ về nó như thế này: CPython là một phiên dịch viên đồng thời, dịch cẩn thận một bài phát biểu từng dòng, mỗi khi nó được đưa ra. PyPy là một dịch giả, sau khi nghe một đoạn cụ thể được lặp lại nhiều lần, sẽ viết ra một phiên bản hoàn hảo, được dịch trước của nó. Lần tới người nói nói đoạn đó, dịch giả PyPy chỉ cần đọc bản dịch trôi chảy, được viết trước, nhanh hơn hàng bậc độ lớn.

Sự kỳ diệu của Biên dịch Just-in-Time (JIT)

Thuật ngữ "JIT" là trung tâm trong đề xuất giá trị của PyPy. Chúng ta hãy làm sáng tỏ cách triển khai cụ thể của nó, một JIT theo dõi, tạo ra sự kỳ diệu của nó.

Cách JIT theo dõi của PyPy hoạt động

JIT của PyPy không cố gắng biên dịch toàn bộ hàm trước. Thay vào đó, nó tập trung vào các mục tiêu có giá trị nhất: các vòng lặp.

1. Giai đoạn khởi động: Khi bạn chạy mã lần đầu tiên, PyPy hoạt động như một trình thông dịch tiêu chuẩn. Nó không nhanh hơn CPython ngay lập tức. Trong giai đoạn đầu này, nó đang thu thập dữ liệu.
2. Xác định các vòng lặp nóng: Trình lập hồ sơ giữ bộ đếm trên mọi vòng lặp trong chương trình của bạn. Khi bộ đếm của một vòng lặp vượt quá một ngưỡng nhất định, nó được đánh dấu là "nóng" và đáng để tối ưu hóa.
3. Theo dõi: JIT bắt đầu ghi lại một chuỗi các thao tác tuyến tính được thực thi trong một lần lặp của vòng lặp nóng. Đây là "dấu vết". Nó không chỉ ghi lại các thao tác mà còn cả các loại biến liên quan. Ví dụ: nó có thể ghi lại "thêm hai số nguyên này", chứ không chỉ là "thêm hai biến này".
4. Tối ưu hóa và Biên dịch: Dấu vết này, là một đường dẫn tuyến tính đơn giản, dễ tối ưu hóa hơn nhiều so với một hàm phức tạp với nhiều nhánh. JIT áp dụng nhiều tối ưu hóa (như gập liên tục, loại bỏ mã chết và di chuyển mã bất biến trong vòng lặp) và sau đó biên dịch dấu vết được tối ưu hóa thành mã máy gốc.
5. Bảo vệ và Thực thi: Mã máy được biên dịch không được thực thi vô điều kiện. Khi bắt đầu dấu vết, JIT sẽ chèn "bảo vệ". Đây là những kiểm tra nhỏ, nhanh chóng để xác minh các giả định được đưa ra trong quá trình theo dõi vẫn còn hiệu lực. Ví dụ: một bảo vệ có thể kiểm tra: "Biến `x` có còn là một số nguyên không?" Nếu tất cả các bảo vệ vượt qua, mã máy cực nhanh sẽ được thực thi. Nếu một bảo vệ không thành công (ví dụ: `x` bây giờ là một chuỗi), quá trình thực thi sẽ trở lại trình thông dịch một cách duyên dáng cho trường hợp cụ thể đó và một dấu vết mới có thể được tạo cho đường dẫn mới này.

Cơ chế bảo vệ này là chìa khóa cho bản chất năng động của PyPy. Nó cho phép chuyên môn hóa và tối ưu hóa hàng loạt trong khi vẫn giữ được sự linh hoạt hoàn toàn của Python.

Tầm quan trọng quan trọng của việc Khởi động

Một kết luận quan trọng là lợi ích về hiệu suất của PyPy không phải là ngay lập tức. Giai đoạn khởi động, nơi JIT xác định và biên dịch các điểm nóng, mất thời gian và chu kỳ CPU. Điều này có ý nghĩa quan trọng đối với cả việc đánh giá hiệu chuẩn và thiết kế ứng dụng. Đối với các tập lệnh tồn tại trong thời gian rất ngắn, chi phí của việc biên dịch JIT đôi khi có thể làm cho PyPy chậm hơn so với CPython. PyPy thực sự tỏa sáng trong các quy trình phía máy chủ, chạy trong thời gian dài, nơi chi phí khởi động ban đầu được khấu hao trong hàng nghìn hoặc hàng triệu yêu cầu.

Khi nào nên chọn PyPy: Xác định các Trường hợp Sử dụng Đúng

PyPy là một công cụ mạnh mẽ, không phải là một giải pháp vạn năng. Việc áp dụng nó cho đúng vấn đề là chìa khóa thành công. Mức tăng hiệu suất có thể dao động từ không đáng kể đến hơn 100 lần, tùy thuộc hoàn toàn vào khối lượng công việc.

Điểm ngọt ngào: CPU-Bound, Thuật toán, Python thuần túy

PyPy mang lại tốc độ tăng đáng kể nhất cho các ứng dụng phù hợp với cấu hình sau:

• Quy trình chạy dài: Máy chủ web, bộ xử lý tác vụ nền, quy trình phân tích dữ liệu và mô phỏng khoa học chạy trong vài phút, hàng giờ hoặc vô thời hạn. Điều này giúp JIT có nhiều thời gian để khởi động và tối ưu hóa.
• Tải công việc bị ràng buộc bởi CPU: Nút thắt cổ chai của ứng dụng là bộ xử lý, không phải chờ các yêu cầu mạng hoặc I/O đĩa. Mã dành thời gian trong các vòng lặp, thực hiện các phép tính và thao tác cấu trúc dữ liệu.
• Độ phức tạp về thuật toán: Mã liên quan đến logic phức tạp, đệ quy, phân tích cú pháp chuỗi, tạo và thao tác đối tượng và các phép tính số (chưa được chuyển sang một thư viện C).
• Triển khai Python thuần túy: Các phần quan trọng về hiệu suất của mã được viết bằng chính Python. JIT càng có thể xem và theo dõi nhiều mã Python, thì nó càng có thể tối ưu hóa.

Ví dụ về các ứng dụng lý tưởng bao gồm các thư viện tuần tự hóa/khử tuần tự hóa dữ liệu tùy chỉnh, công cụ kết xuất mẫu, máy chủ trò chơi, công cụ mô hình hóa tài chính và một số khuôn khổ phục vụ mô hình học máy (trong đó logic nằm trong Python).

Khi nào nên thận trọng: Các mẫu chống

Trong một số trường hợp, PyPy có thể không mang lại lợi ích gì hoặc thậm chí có thể gây ra sự phức tạp. Hãy cảnh giác với những tình huống này:

• Sự phụ thuộc nặng nề vào Tiện ích mở rộng C CPython: Đây là cân nhắc quan trọng nhất. Các thư viện như NumPy, SciPy và Pandas là nền tảng của hệ sinh thái khoa học dữ liệu Python. Chúng đạt được tốc độ của mình bằng cách triển khai logic cốt lõi của chúng bằng mã C hoặc Fortran được tối ưu hóa cao, được truy cập thông qua CPython C API. PyPy không thể JIT-biên dịch mã C bên ngoài này. Để hỗ trợ các thư viện này, PyPy có một lớp giả lập có tên là `cpyext`, có thể chậm và dễ vỡ. Mặc dù PyPy có các phiên bản NumPy và Pandas riêng (`numpypy`), khả năng tương thích và hiệu suất có thể là một thách thức đáng kể. Nếu nút thắt cổ chai của ứng dụng của bạn đã nằm bên trong một tiện ích mở rộng C, PyPy không thể làm cho nó nhanh hơn và thậm chí có thể làm chậm nó do chi phí `cpyext`.
• Các tập lệnh tồn tại trong thời gian ngắn: Các công cụ hoặc tập lệnh dòng lệnh đơn giản thực thi và chấm dứt trong vài giây có thể sẽ không thấy được lợi ích, vì thời gian khởi động JIT sẽ chiếm ưu thế so với thời gian thực thi.
• Ứng dụng bị ràng buộc bởi I/O: Nếu ứng dụng của bạn dành 99% thời gian để chờ một truy vấn cơ sở dữ liệu trả về hoặc một tệp được đọc từ một thư mục mạng, thì tốc độ của trình thông dịch Python là không liên quan. Việc tối ưu hóa trình thông dịch từ 1x lên 10x sẽ có tác động không đáng kể đến hiệu suất ứng dụng tổng thể.

Chiến lược tích hợp thực tế

Bạn đã xác định một trường hợp sử dụng tiềm năng. Làm thế nào để bạn thực sự tích hợp PyPy? Dưới đây là ba chiến lược chính, từ đơn giản đến phức tạp về mặt kiến trúc.

Chiến lược 1: Cách tiếp cận "Thay thế trực tiếp"

Đây là phương pháp đơn giản và trực tiếp nhất. Mục tiêu là chạy toàn bộ ứng dụng hiện có của bạn bằng trình thông dịch PyPy thay vì trình thông dịch CPython.

Quá trình:

1. Cài đặt: Cài đặt phiên bản PyPy thích hợp. Việc sử dụng một công cụ như `pyenv` rất được khuyến khích để quản lý nhiều trình thông dịch Python cạnh nhau. Ví dụ: `pyenv install pypy3.9-7.3.9`.
2. Môi trường ảo: Tạo một môi trường ảo chuyên dụng cho dự án của bạn bằng PyPy. Điều này cô lập các phụ thuộc của nó. Ví dụ: `pypy3 -m venv pypy_env`.
3. Kích hoạt và Cài đặt: Kích hoạt môi trường (`source pypy_env/bin/activate`) và cài đặt các phụ thuộc của dự án của bạn bằng `pip`: `pip install -r requirements.txt`.
4. Chạy và Đánh giá hiệu chuẩn: Thực thi điểm nhập của ứng dụng của bạn bằng trình thông dịch PyPy trong môi trường ảo. Quan trọng là, hãy thực hiện việc đánh giá hiệu chuẩn thực tế, nghiêm ngặt để đo lường tác động.

Thách thức và Cân nhắc:

• Khả năng tương thích phụ thuộc: Đây là bước tạo hoặc phá vỡ. Các thư viện Python thuần túy sẽ gần như luôn hoạt động hoàn hảo. Tuy nhiên, bất kỳ thư viện nào có thành phần mở rộng C có thể không cài đặt hoặc chạy được. Bạn phải kiểm tra cẩn thận khả năng tương thích của từng phụ thuộc. Đôi khi, một phiên bản mới hơn của thư viện đã thêm hỗ trợ PyPy, vì vậy việc cập nhật các phụ thuộc của bạn là một bước khởi đầu tốt.
• Vấn đề về tiện ích mở rộng C: Nếu một thư viện quan trọng không tương thích, chiến lược này sẽ thất bại. Bạn sẽ cần tìm một thư viện Python thuần túy thay thế, đóng góp vào dự án gốc để thêm hỗ trợ PyPy hoặc áp dụng một chiến lược tích hợp khác.

Chiến lược 2: Hệ thống lai hoặc đa ngôn ngữ

Đây là một cách tiếp cận mạnh mẽ và thực dụng cho các hệ thống lớn, phức tạp. Thay vì di chuyển toàn bộ ứng dụng sang PyPy, bạn chỉ áp dụng PyPy cho các thành phần cụ thể, quan trọng về hiệu suất, nơi nó sẽ có tác động lớn nhất.

Các mẫu triển khai:

• Kiến trúc dịch vụ vi mô: Cô lập logic bị ràng buộc bởi CPU thành dịch vụ vi mô riêng của nó. Dịch vụ này có thể được xây dựng và triển khai dưới dạng một ứng dụng PyPy độc lập. Phần còn lại của hệ thống của bạn, có thể đang chạy trên CPython (ví dụ: giao diện người dùng web Django hoặc Flask), giao tiếp với dịch vụ hiệu năng cao này thông qua một API được xác định rõ ràng (như REST, gRPC hoặc hàng đợi tin nhắn). Mẫu này cung cấp sự cô lập tuyệt vời và cho phép bạn sử dụng công cụ tốt nhất cho từng công việc.
• Công nhân dựa trên hàng đợi: Đây là một mẫu cổ điển và hiệu quả cao. Một ứng dụng CPython (người "sản xuất") đặt các công việc sử dụng nhiều tài nguyên tính toán vào một hàng đợi tin nhắn (như RabbitMQ, Redis hoặc SQS). Một nhóm các quy trình công nhân riêng biệt, chạy trên PyPy (người "tiêu dùng"), nhận các công việc này, thực thi việc nâng cao tốc độ cao và lưu trữ kết quả nơi ứng dụng chính có thể truy cập chúng. Điều này rất phù hợp với các tác vụ như chuyển mã video, tạo báo cáo hoặc phân tích dữ liệu phức tạp.

Cách tiếp cận lai thường là thực tế nhất đối với các dự án đã được thiết lập, vì nó giảm thiểu rủi ro và cho phép áp dụng PyPy gia tăng mà không cần viết lại hoàn toàn hoặc di chuyển sự phụ thuộc khó khăn cho toàn bộ cơ sở mã.

Chiến lược 3: Mô hình phát triển CFFI-First

Đây là một chiến lược chủ động cho các dự án biết rằng họ cần cả hiệu suất cao và tương tác với các thư viện C (ví dụ: để bao bọc một hệ thống cũ hoặc một SDK hiệu năng cao).

Thay vì sử dụng CPython C API truyền thống, bạn sử dụng thư viện C Foreign Function Interface (CFFI). CFFI được thiết kế ngay từ đầu để không phụ thuộc vào trình thông dịch và hoạt động trơn tru trên cả CPython và PyPy.

Tại sao nó lại hiệu quả với PyPy:

JIT của PyPy rất thông minh về CFFI. Khi theo dõi một vòng lặp gọi một hàm C thông qua CFFI, JIT thường có thể "nhìn xuyên qua" lớp CFFI. Nó hiểu lời gọi hàm và có thể nội tuyến mã máy của hàm C trực tiếp vào dấu vết đã biên dịch. Kết quả là, chi phí gọi hàm C từ Python hầu như biến mất trong một vòng lặp nóng. Đây là điều mà JIT khó thực hiện hơn nhiều với CPython C API phức tạp.

Lời khuyên thiết thực: Nếu bạn đang bắt đầu một dự án mới yêu cầu giao tiếp với các thư viện C/C++/Rust/Go và bạn dự đoán hiệu suất là một mối quan tâm, thì việc sử dụng CFFI ngay từ đầu là một lựa chọn chiến lược. Nó giữ cho các lựa chọn của bạn được mở và thực hiện một chuyển đổi trong tương lai sang PyPy để tăng hiệu suất là một bài tập tầm thường.

Đánh giá hiệu chuẩn và xác thực: Chứng minh sự tăng trưởng

Đừng bao giờ cho rằng PyPy sẽ nhanh hơn. Luôn đo lường. Việc đánh giá hiệu chuẩn thích hợp là không thể thương lượng khi đánh giá PyPy.

Kế toán cho việc khởi động

Một đánh giá hiệu chuẩn ngây thơ có thể gây hiểu lầm. Chỉ cần tính thời gian chạy một hàm bằng cách sử dụng `time.time()` sẽ bao gồm việc khởi động JIT và sẽ không phản ánh hiệu suất trạng thái ổn định thực sự. Một đánh giá hiệu chuẩn chính xác phải:

• Chạy mã được đo nhiều lần trong một vòng lặp.
• Loại bỏ một vài lần lặp đầu tiên hoặc chạy một giai đoạn khởi động chuyên dụng trước khi bắt đầu bộ hẹn giờ.
• Đo thời gian thực thi trung bình trong một số lượng lớn các lần chạy sau khi JIT có cơ hội biên dịch mọi thứ.

Công cụ và kỹ thuật

• Đánh giá hiệu chuẩn vi mô: Đối với các hàm nhỏ, bị cô lập, mô-đun `timeit` tích hợp sẵn của Python là một điểm khởi đầu tốt vì nó xử lý lặp và thời gian chính xác.
• Đánh giá hiệu chuẩn có cấu trúc: Để kiểm tra chính thức hơn được tích hợp vào bộ kiểm tra của bạn, các thư viện như `pytest-benchmark` cung cấp các công cụ mạnh mẽ để chạy và phân tích các đánh giá hiệu chuẩn, bao gồm cả việc so sánh giữa các lần chạy.
• Đánh giá hiệu chuẩn cấp ứng dụng: Đối với các dịch vụ web, đánh giá hiệu chuẩn quan trọng nhất là hiệu suất end-to-end dưới tải thực tế. Sử dụng các công cụ kiểm tra tải như `locust`, `k6` hoặc `JMeter` để mô phỏng lưu lượng truy cập thực tế đối với ứng dụng của bạn đang chạy trên cả CPython và PyPy và so sánh các chỉ số như yêu cầu trên giây, độ trễ và tỷ lệ lỗi.
• Lập hồ sơ bộ nhớ: Hiệu suất không chỉ là về tốc độ. Sử dụng các công cụ lập hồ sơ bộ nhớ (`tracemalloc`, `memory-profiler`) để so sánh mức tiêu thụ bộ nhớ. PyPy thường có một cấu hình bộ nhớ khác. Bộ thu gom rác nâng cao hơn của nó đôi khi có thể dẫn đến việc sử dụng bộ nhớ cao điểm thấp hơn cho các ứng dụng chạy trong thời gian dài với nhiều đối tượng, nhưng dấu chân bộ nhớ cơ bản của nó có thể cao hơn một chút.

Hệ sinh thái PyPy và Con đường phía trước

Câu chuyện về khả năng tương thích đang phát triển

Nhóm PyPy và cộng đồng rộng lớn hơn đã đạt được những tiến bộ to lớn về khả năng tương thích. Nhiều thư viện phổ biến từng có vấn đề hiện có sự hỗ trợ tuyệt vời của PyPy. Luôn kiểm tra trang web chính thức của PyPy và tài liệu của các thư viện chính của bạn để biết thông tin khả năng tương thích mới nhất. Tình hình đang không ngừng được cải thiện.

Một cái nhìn thoáng qua về tương lai: HPy

Vấn đề về tiện ích mở rộng C vẫn là rào cản lớn nhất đối với việc áp dụng PyPy phổ biến. Cộng đồng đang tích cực làm việc trên một giải pháp dài hạn: HPy (HpyProject.org). HPy là một API C mới, được thiết kế lại cho Python. Không giống như CPython C API, API này hiển thị các chi tiết bên trong của trình thông dịch CPython, HPy cung cấp một giao diện trừu tượng, phổ quát hơn.

Lời hứa của HPy là các tác giả mô-đun mở rộng có thể viết mã của họ một lần so với HPy API và nó sẽ biên dịch và chạy hiệu quả trên nhiều trình thông dịch, bao gồm CPython, PyPy và những trình thông dịch khác. Khi HPy được áp dụng rộng rãi, sự khác biệt giữa các thư viện "Python thuần túy" và "tiện ích mở rộng C" sẽ trở thành một mối quan tâm về hiệu suất ít hơn, có khả năng làm cho việc lựa chọn trình thông dịch trở thành một chuyển đổi cấu hình đơn giản.

Kết luận: Một công cụ chiến lược cho nhà phát triển hiện đại

PyPy không phải là một sự thay thế kỳ diệu cho CPython mà bạn có thể áp dụng một cách mù quáng. Nó là một phần kỹ thuật có độ chuyên môn cao, cực kỳ mạnh mẽ, khi được áp dụng cho đúng vấn đề, có thể mang lại những cải tiến hiệu suất đáng kinh ngạc. Nó chuyển đổi Python từ một "ngôn ngữ kịch bản" thành một nền tảng hiệu suất cao có khả năng cạnh tranh với các ngôn ngữ được biên dịch tĩnh cho một loạt các tác vụ bị ràng buộc bởi CPU.

Để tận dụng PyPy thành công, hãy nhớ những nguyên tắc chính sau:

• Hiểu khối lượng công việc của bạn: Nó có bị ràng buộc bởi CPU hay bị ràng buộc bởi I/O không? Nó có chạy trong thời gian dài không? Nút thắt cổ chai nằm trong mã Python thuần túy hay tiện ích mở rộng C?
• Chọn chiến lược phù hợp: Bắt đầu bằng cách thay thế trực tiếp đơn giản nếu các phụ thuộc cho phép. Đối với các hệ thống phức tạp, hãy áp dụng kiến trúc lai bằng cách sử dụng các dịch vụ vi mô hoặc hàng đợi công nhân. Đối với các dự án mới, hãy xem xét cách tiếp cận CFFI-first.
• Đánh giá hiệu chuẩn một cách nghiêm ngặt: Đo lường, đừng đoán. Tính đến việc khởi động JIT để có được dữ liệu hiệu suất chính xác phản ánh việc thực thi thực tế, trạng thái ổn định.

Lần tới khi bạn gặp phải nút thắt cổ chai về hiệu suất trong một ứng dụng Python, đừng ngay lập tức tìm đến một ngôn ngữ khác. Hãy xem xét PyPy một cách nghiêm túc. Bằng cách hiểu rõ những điểm mạnh của nó và áp dụng một cách tiếp cận chiến lược để tích hợp, bạn có thể mở khóa một cấp độ hiệu suất mới và tiếp tục xây dựng những điều tuyệt vời bằng ngôn ngữ mà bạn biết và yêu thích.