-
PyPy 和 CPython 的性能比较测试(2)
Element和TextElement元素包换tag和body信息，同时提供了一个方法来渲染它。
下面是我想要的PyPy和CPython比较结果。
/ time
PyPy 2169.90s
CPython 4494.69s
我很对PyPy的结果很吃惊。
计算有趣的类别集合
我曾经想要计算一个有趣的类别集合——在我的一个应用背景下，以Computing类别衍生的一些类别为开始进行计算。为此我需要构建一个提供类的类图——子类关系图。
结构类——子类关系图
这个任务使用MongoDB作为数据来源，并对结构进行重新分配。算法是：
|
1
2
3
4
5
|
for each category.id in redis_categories (it holds*category.id -> category title mapping*) do: title= redis_categories.get(category.id) parent_categories= mongodb get categoriesfor title for each parent_catin parent categories do: redis_tree.sadd(parent_cat, title)# add to parent_cat set title |
抱歉写这样的伪码，但我想这样看起来更加紧凑些。
所以说这个任务仅把数据从一个数据库拷贝到另一个。这里的结果是MongoDB预热完毕后得出的（不预热的话数据会有偏差——这个Python任务只耗费约10%的CPU）。计时如下：
/ time
PyPy 175.11s 用户态 66.11s 系统态 64% CPU
CPython 457.92s 用户态 72.86s 系统态 81% CPU
遍历redis_tree（再分配过的树）
如果我们有redis_tree数据库，仅剩的问题就是遍历Computing类别下所有可实现的结点了。为避免循环遍历，我们需要记录已访问过的结点。自从我想测试Python的数据库性能，我就用再分配集合列来解决这个问题。
/ time
PyPy 14.79s 用户态 6.22s 系统态 69% CPU 30.322 总计
CPython 44.20s 用户态 13.86s 系统态 71% CPU 1:20.91 总计
说实话，这个任务也需要构建一些tabu list（禁止列表）——来避免进入不需要的类别。但那不是本文的重点。
结论
进行的测试仅仅是我最终工作的一个简介。它需要一个知识体系，一个我从抽取维基百科中适当的内容中得到的知识体系。
PyPy相比CPython，在我这个简单的数据库操作中，提高了2-3倍的性能。（我这里没有算上SQL解析器，大约8倍）
多亏了PyPy，我的工作更加愉悦了——我没有改写算法就使Python有了效率，而且PyPy没有像CPython一样把我的CPU弄挂了，以至于一段时间内我没法正常的使用我的笔记本了（看看CPU时间占的百分比吧）。
任务几乎都是数据库操作，而CPython有一些加速的乱七八糟的C语言模块。PyPy不使用这些，但结果却更快！
我的全部工作需要大量的周期，所以我真高兴能用PyPy。
