楔子
在之前的博客中，我们介绍了Cython给Python添加的一些基础特性，以及它们所提供的功能和用法。但是Cython还可以增强Python的类，不过在学习之前我们需要了解一下Python的类和扩展类之前的区别。
Python类和扩展类之间的差异
首先Python中"一切皆对象"，怎么理解呢？首先在最基本的层次上，一个对象有三样东西：地址、值、类型，我们通过id函数可以获取地址并将每一个对象都区分开来，使用type获取类型。Python中对象有很多属性，这些属性都放在自身的属性字典里面，这个字典可以通过__dict__获取。我们调用对象的某一个属性的时候，可以通过.的方式来调用。Python也允许我们通过class关键字自定义一个类。
在这一节，我们将会学习如何使用Cython操纵Python中的类。
首先Python中内置了很多的类，tuple、dict等等，这些类在C一级通过Python/C api直接包含在了Python运行时中。但就使用而言，它和我们自己使用class定义的类是没有什么区别的，如果非要说区别的话，那就是内置的类的一些属性、以及内置的类里面的方法的属性是没法修改的。当然我们删除一个属性、添加一个属性也是不可以的。
class A:
pass
print(A.__name__) # A
A.__name__ = "B"
print(A.__name__) # B
try:
int.__name__ = "INT"
except Exception as e:
print(e) # can't set attributes of built-in/extension type 'int'
正如之前说的那样，我们除了在Python中定义类，还可以直接使用Python/C api在C级别创建自己的类型，这样的类型称之为扩展类、或者扩展类型(说白了在C中实现的类就叫做扩展类)。
Python解释器本来就是C写的，所以我们可以在C的层面上面实现Python的任何对象，类也是如此。Python中自定义的类和内置的类在C一级的结构是一致的，所以我们只需要按照Python/C api提供的标准来编写即可。但还是那句话，使用C来编写会比较麻烦，因为本质上就是写C语言。
当我们操作扩展类的时候，我们操作的是编译好的静态代码，因此在访问内部属性的时候，可以实现快速的C一级的访问，这种访问可以显著的提高性能。但是在扩展类的实现、以及处理相应的实例对象和在纯Python中定义类是完全不同的，需要有专业的Python/C api的知识，不适合新手。
这也是Cython出现在此的原因：Cython使得我们创建和操作扩展类就像操作Python中的类一样。在Cython中定义一个扩展类通过cdef class的形式，和Python中的常规类保持了高度的相似性。
尽管在语法上有着相似之处，但是cdef class定义的类对所有方法和数据都有快速的C级别的访问，这也是和扩展类和Python中的普通类之间的一个最显著的区别。
Cython中的扩展类
举一个Python中类
class Rectangle:
def __init__(self, width, height):
self.width = width
self.height = height
def get_area(self):
return self.width * self.height
这个类是使用Python在解释器的级别定义的，可以被CPython编译的。我们定义了矩形的宽和高，并且提供了一个方法，计算面积。这个类是可以动态修改的，我们可以指定任意的属性。
如果我们只是将这个Python类编译为C时，那么得到的类依旧是一个纯Python类，而不是扩展类。所有的操作，仍然是通过动态调度通用的Python对象来实现的。只不过由于解释器的开销省去了，因此效率上会提升一点点，但是它无法从静态类型上获益，因为此时的Cython代码仍然需要在运行时动态调度来解析类型。
改成扩展类的话，我们需要这么做。
cdef class Rectangle:
cdef long width, height
def __init__(self, w, h):
self.width = w
self.height = h
def get_area(self):
return self.width * self.height
此时的关键字我们使用的是cdef class，意思就是表示这个类不是一个普通的Python类，而是一个扩展类。内部代码，我们多了一个cdef long width, height，这个是名称和self的属性是同名的，表示self中的width、height都必须是一个long，或者说可以转为C中的long的Python对象。另外对于cdef来说，定义的类是可以被外部访问的，虽然函数不行、但类可以。
>>> import cython_test
>>> rect = cython_test.Rectangle(3, 4)
>>> rect.get_area()
12
>>>
>>> rect = cython_test.Rectangle("3", "4")
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "1.pyx", line 6, in cython_test.Rectangle.__init__
self.width = w
TypeError: an integer is required
>>> # 我们传递了一个字符串，告诉我们需要一个整型
注意：我们在__init__中实例化的属性，都必须在类中使用cdef声明，举个栗子。
cdef class Rectangle:
# 这里我们只声明了width，没有声明height，那么是不是意味着这个height可以接收任意对象呢？
cdef long width
def __init__(self, w, h):
self.width = w
self.height = h
def get_area(self):
return self.width * self.height
>>> import cython_test
>>> rect = cython_test.Rectangle(3, 4)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "1.pyx", line 7, in cython_test.Rectangle.__init__
self.height = h
AttributeError: 'cython_test.Rectangle' object has no attribute 'height'
>>>
凡是在没有在cdef中声明的，都不可以赋值给self，可能有人发现了这不是访问，而是添加呀。我添加一个属性咋啦，没咋，无论是获取还是赋值，self中的属性必须使用cdef在类中声明。我们举一个Python内置类型的例子吧
a = 1
try:
a.xx = 123
except Exception as e:
print(e) # 'int' object has no attribute 'xx'
一样等价，我们的扩展类和内建的类是同级别的，一个属性如果想通过self.的方式来调用，那么一定要在类里面通过cdef声明。
cdef class Rectangle:
cdef long width, height
def __init__(self, w, h):
self.width = w
self.height = h
def get_area(self):
return self.width * self.height
>>> import cython_test
>>> rect = cython_test.Rectangle(3, 4)
>>> rect.get_area()
12
>>>
>>> rect.a = "xx"
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: 'cython_test.Rectangle' object has no attribute 'a'
>>> # 如果想动态修改、添加类型，那么需要解释器在解释的时候来动态操作
>>> # 但扩展类和内置的类是等价的，直接指向了C一级的结构，不需要解释器解释这一步，因此也失去了动态修改的能力
>>> # 也正因为如此，也能提高效率。因为很多时候，我们不需要动态修改。
>>>
>>> # 当一个类实例化之后，会给实例对象一个属性字典，通过__dict__获取，它的所有属性以及相关的值都会存储在这里
>>> # 其实获取一个实例对象的属性，本质上是从属性字典里面获取，instance.attr等价于instance.__dict__["attr"]，同理修改、创建也是。
>>> # 但是注意：这只是针对普通的Python类而言，但扩展类内部是没有__dict__的。
>>> rect.__dict__
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: 'cython_test.Rectangle' object has no attribute '__dict__'
>>>
>>>
>>> # 不光没有__dict__，你连self本身的属性都无法访问
>>> rect.width
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: 'cython_test.Rectangle' object has no attribute 'width'
>>> # 提示我们self没有width属性，所以我们实例化之后再想修改是不行的，连获取都获取不到
>>> # 只能调用它的一些方法罢了。
对于内建的类，其实例对象也是没有属性字典的。
a = 123
try:
print(a.__dict__)
except Exception as e:
print(e) # 'int' object has no attribute '__dict__'
# 但是int这个类本身是有属性字典的，只是没有办法赋值
# 而我们自定义的Python类是可以这么做的，等于给类添加了一些函数
try:
int.__dict__["xx"] = "xx"
except Exception as e:
print(e) # 'mappingproxy' object does not support item assignment
# 还是那句话，动态设置、修改、获取、删除属性，这些都是在解释器解释字节码的时候动态操作的，在解释的时候是允许你做一些这样的骚操作的
# 但是内置的类和扩展类是不需要解释这一步的，它们是彪悍的人生，直接指向了C一级的数据结构，因此也就丧失了这种动态的能力
同理对于扩展类，也是相同的结果。
>>> cython_test.Rectangle.__dict__["xx"] = 123
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
TypeError: 'mappingproxy' object does not support item assignment
>>>
所以扩展类和内置的类的表现是相同的。
但是扩展类毕竟是我们自己指定的，如果我们就是想修改self的一些属性呢？答案是将其暴露给外界即可。
cdef class Rectangle:
# 通过cdef public的方式进行声明即可
# 这样的话就会暴露给外界了
cdef public long width, height
def __init__(self, w, h):
self.width = w
self.height = h
def get_area(self):
return self.width * self.height
>>> import cython_test
>>> rect = cython_test.Rectangle(3, 4)
>>> rect.width
3
>>> rect.get_area()
12
>>> rect.width = 123
>>> rect.get_area()
492
>>>
>>> rect.__dict__
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: 'cython_test.Rectangle' object has no attribute '__dict__'
>>> # 但属性字典依旧是没有的
通过cdef public声明的属性，是可以被外界获取并修改的，除了cdef public之外还有cdef readonly，同样会将属性暴露给外界，但是只能访问不能修改。
>>> rect.width
3
>>> rect.width = 123
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: attribute 'width' of 'cython_test.Rectangle' objects is not writable
cdef readonly 类型 变量名：实例属性可以被访问，但是不可以被修改cdef public 类型 变量名：实例属性可以被访问，也可以被修改cdef 类型 变量名：实例属性既不可以被访问，更不可以被修改
当然即便使用cdef public和cdef readonly定义变量，Cython也一样可以实行快速访问，因为扩展类的方法基本上忽略了readonly和public的声明，它们存在的目的只是为了控制来自Python的访问。
C一级的构造函数和析构函数
每一个实例对象都指向了一个C结构体，也就是Python调用__init__函数里面的self参数。当__init__参数被调用时，会初始化self参数上的属性，而且__init__参数是自动调用的。但是我们知道在__init__参数调用之前，会先调用__new__方法，__new__方法的作用就是为创建的实例对象开辟一份内存，然后返回其指针然后交给self。在C级别就是，在调用__init__之前，实例对象指向的结构体必须已经分配好内存，并且所有结构字段都处于可以接收初始值的有效状态。
Cython扩充了一个名为__cinit__的特殊方法，用于执行C级别的内存分配和初始化。不过对于之前定义的Rectangle类的__init__方法，也是可以充当此角色的，因为内部的字段接收的值是两个double，不需要C级别的内存分配。但如果需要C级别的内存分配，那么就不可以使用__init__了，而是需要使用__cinit__。
# 导入相关函数，malloc，free
# 如果不熟悉的话，建议去了解一下C语言
from libc.stdlib cimport malloc, free
cdef class A:
cdef:
unsigned int n
double *array # 一个数组，存储了double类型的变量
def __cinit__(self, n):
self.n = n
# 在C一级进行动态分配内存
self.array = <double *>malloc(n * sizeof(double))
if self.array == NULL:
raise MemoryError()
def __dealloc__(self):
"""如果进行了动态内存分配，那么必须要定义__dealloc__
否则在编译的时候会抛出异常：Storing unsafe C derivative of temporary Python reference
然后我们释放掉指针指向的内存
"""
if self.array != NULL:
free(self.array)
def set_value(self):
cdef long i
for i in range(self.n):
self.array[i] = (i + 1) * 2
def get_value(self):
cdef long i
for i in range(self.n):
print(self.array[i])
>>> import cython_test
>>> a = cython_test.A(5)
>>> a.set_value()
>>> a.get_value()
2.0
4.0
6.0
8.0
10.0
>>>
所以__cinit__是用来进行C一级内存的动态分配的，另外我们说如果在__cinit__通过malloc进行了内存分配，那么必须要定义__dealloc__函数将指针指向的内存释放掉。当然即使我们不释放也没关系，只不过可能发生内存泄露(雾)，但是__dealloc__这个函数是必须要被定义，它会在实例对象回收时被调用。
这个时候可能有人好奇了，那么__cinit__和__init__函数有什么区别呢？区别还是蛮多的，我们细细道来。
首先它们只能通过def来定义，另外在不涉及malloc动态分配内存的时候，__cinit__和__init__是等价的。然而一旦涉及到malloc，那么动态分配内存只能在__cinit__中进行，如果这个过程写在了__init__函数中，比如将我们上面例子的__cinit__改为__init__的话，你会发现self的所有变量都没有设置进去、或者说设置失败，并且其它的方法若是引用了self.array，那么还会导致丑陋的段错误。
还有一点就是，__cinit__函数会在__init__函数之前调用，我们实例化一个扩展类的时候，参数会先传递给__cinit__，然后__cinit__再将接收到的参数原封不动的传递给__init__。
cdef class A:
cdef public:
unsigned int a, b
def __cinit__(self, a, b):
print("__cinit__")
self.a = a
self.b = b
print(self.a, self.b)
def __init__(self, c, d):
"""__cinit__中接收两个参数
然后会将参数原封不动的传递到这里，所以这里也要接收两个参数
参数名可以不一致，但是个数要匹配
"""
print("__init__")
print(c, d)
>>> import cython_test
>>> a = cython_test.A(111, 222)
__cinit__
(111, 222)
__init__
(111, 222)
>>> a.a
111
>>> a.b
222
>>>
注意：__cinit__只有在涉及C级别内存分配的时候才会出现，如果没有涉及那么使用__init__就可以，虽然在不涉及malloc的时候这两者是等价的，但是__cinit__会比__init__的开销要大一些。而如果涉及C级别内存分配，那么建议__cinit__只负责，内存的动态分配，__init__负责属性的创建。
from libc.stdlib cimport malloc, free
cdef class A:
cdef public:
unsigned int a, b, c
# 这里的array不可以使用public或者readonly
# 原因很简单，因为一旦指定了public和readonly，就意味着这些属性是可以被Python访问的
# 所以需要其能够转化为Python中的对象，而我们说C中的指针，除了char *是不能转化为Python对象的
# 因此这里的array一定不能暴露给外界，否则编译出错，提示我们：double *无法转为Python对象
cdef double *array
def __cinit__(self, *args, **kwargs):
"""这里面只做内存分配，设置属性交给__init__，所以参数一般都写*args, **kwargs
但是如果分配的内存如果需要通过参数来指定的话，那么还是不建议使用*args和**kwargs的
具体情况具体分析
"""
self.array = <int *>malloc(3 * sizeof(int))
def __init__(self, a, b, c):
self.a = a
self.b = b
self.c = c
def __dealloc__(self):
free(self.array)
cdef和cpdef方法
我们之前使用了cdef和cpdef，我们说：cdef可以定义变量，但是不能被Python直接访问；可以定义函数，不能直接被外界访问；可以定义一个类，能直接被外界访问。而cpdef专门用于定义函数，cpdef定义的函数既可以在Cython内部访问，也可以被外界访问，因为它定义了两个版本的函数：一个是高性能的纯C版本(此时等价于cdef，至于为什么高效，因为它是C一级的，直接指向了具体数据结构，当然还有其它原因，我们之前都说过的)，另一个是Python包装器(相当于我们手动定义的Python函数)，所以我们还要求使用cpdef定义的函数的参数和返回值类型必须是Python可以表示的，像char *之外的指针就不行。
那么同理它们也可以作用于方法，当然方法也是类在获取函数的时候进行封装得到的，所以一样的道理。但是注意：cdef和cpdef修饰的cdef class定义的静态类里面的方法，如果是class定义的纯Python类，那么内部是不可以出现cdef或者cpdef的。
cdef class A:
cdef public:
long a, b
def __init__(self, a, b):
self.a = a
self.b = b
cdef long f1(self):
return self.a * self.b
cpdef long f2(self):
return self.a * self.b
>>> import cython_test
>>> a = cython_test.A(11, 22)
>>> a.f2()
242
>>> a.f1()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: 'cython_test.A' object has no attribute 'f1'
>>>
cdef和cpdef之间在函数上的差异，在方法中得到了同样的体现。
此外，这个类的实例也可以作为函数的参数，这个是肯定的。
cdef class A:
cdef public:
long a, b
def __init__(self, a, b):
self.a = a
self.b = b
cpdef long f2(self):
return self.a * self.b
def func(self_lst):
s = 0
for self in self_lst:
s += self.f2()
return s
>>> import cython_test
>>> a1 = cython_test.A(1, 2)
>>> a2 = cython_test.A(2, 4)
>>> a3 = cython_test.A(2, 3)
>>>
>>> cython_test.func([a1, a2, a3])
16
>>>
这是Python的特性，一切都是对象，尽管没有指明self_lst是什么类型，但只要它可以被for循环即可；尽管没有指明self_lst里面的元素是什么类型，只要它有f2方法即可。并且这里的func可以在Cython中定义，同样可以在Python中定义，这两者是没有差别的，因为都是Python中的函数。另外在遍历的时候仍然需要确定这个列表里面的元素是什么，意味着列表里面的元素仍然是PyObject *，它需要获取类型、转化、属性查找，因为Cython不知道类型是什么、导致其无法优化。但如果我们规定了类型，那么再调用f2的时候，那么会直接指向C一级的数据结构，因此不需要那些无用的检测。
cdef class A:
cdef public:
long a, b
def __init__(self, a, b):
self.a = a
self.b = b
cpdef long f2(self):
return self.a * self.b
# 规定这是一个list，参数也变成静态变量的话会更快，总之静态定义越多速度会越快
def func(list self_lst):
# 声明long类型的s，A类型的self
# 我们下面使用的是 s = s + self.f2(), 所以这里的s要赋一个初始值0
cdef long s = 0
cdef A self
for self in self_lst:
s += self.f2()
return s
调用得到的结果是一样的，可以自己尝试一下。这样的话速度会变快很多，因为我们实例对象静态类的实例对象，f2方法也是cpdef方法，所以在执行的时候不涉及Python对象。并且求和的时候，也是一个指使用C的操作，因为s是一个double。
这个版本的速度比之前快了10倍，这表名类型化比非类型化要快了10倍。如果我们删除了cdef A self，也就是不规定其类型，而还是按照Python的语义来调用，那么速度仍然和之前一样，即便使用cpdef定义。所以重点在于指定类型为静态类型，只要规定好类型，那么就可以提升速度；而Cython是为Python服务的，肯定要经常使用Python的类型，那么提前规定好、让其指向C一级的数据结构，速度会提升很多。如果是int和float，那么就使用C中的long和double，这样速度就更加快速了，当然即便用Python的int和float依旧可以起到加速的效果，只不过没有C明显。因此重点是一定要静态定义类型，只要类型明确那么就能进行大量的优化。
Python慢有很多原因，其中一个原因就是它无法对类型进行优化，以及对象分配在堆上。无法基于类型进行优化，就意味着每次都要进行大量的检测，当然这些我们前面已经说过了，如果规定好类型，那么就不用兜那么大圈子了；而对象分配在堆上这是无法避免的，只要你用Python的对象，都是分配在堆上，所以对于整型和浮点型，我们通过定义为C的类型使其分配在栈上，能够更加的提升速度。总之记住一句话：Cython加速的关键就在于，类型一定要静态声明，并且对整数和浮点使用C中long和double。
当然，虽说如此，但是该使用Python中对象就使用Python的对象，我们基于类型优化其实是可以获得相当可观的速度的。至于要不要通过C的类型
(比如使用结构体、共同体这种复杂类型)进行更深一步的优化，就看你对Cython的掌握程度了。
在上面的基础上，如果将def改成cpdef那么效率是没有差别的，但是一旦改成cdef那么效率会再次提升，原因很简单，因为def和cpdef都是支持外部Python访问的；而cdef只支持内部Cython访问，那么它就只指向了一个C级的数据结构，但是def和cpdef都涉及到Python函数，而我们说Python函数比C函数开销要大的。当然cdef的缺点就是外部无法访问，而且函数调用需要的开销基本可以忽略不计的。
方法中给参数指定类型
无论是def、cdef、cpdef，都可以给参数规定类型，如果类型传递的不对就会报错。比如：上面的func函数如果是普通的Python函数，那么对于Python而言只要能够被for循环即可，所以它可以是列表、元组、集合。但是我们上面的func规定了类型，尽管它还是def定义的，但是参数只能传递list对象或者其子类的实例对象，如果传递tuple对象就会报错。
当然，对于__cinit__和__init__也是可以的，另外我们说这两位老铁只能用def定义。
cdef class A:
cdef public:
long a, b
def __init__(self, float a, float b):
self.a = a
self.b = b
这里我们规定了类型，但是有没有发现什么问题呢？这里我们的参数a和b必须是一个float，如果传递的是其它类型会报错，但是赋值的时候self.a和self.b又需要接收一个long，所以这是一个自相矛盾的死结，在编译的时候就会报错。所以给__init__参数传递的值的类型要和类中cdef声明的类型保持一致。
然后为了更好地解释Cython带来的性能改进，我们需要了解关于继承、子类化、和扩展类型的多态性的基础知识。
继承和子类化
扩展类型只能继承单个基类，并且继承的基类必须是直接指向C实现的类型(可以是使用cdef class定义的扩展类型，也可以是内置类型，因为内置类型也是直接指向C一级的结构)。如果基类是常规的Python类(需要在运行时经过解释器动态解释才能指向C一级的结构)，或者继承了多个基类，那么Cython在编译时会抛出异常。
cdef class Girl:
cdef public:
str name
long age
def __init__(self, name, age):
self.name = name
self.age = age
cpdef str get_info(self):
# 在Cython中我们是可以使用了f-string的
# 但是返回值类型我们除了使用str，还可以要使用unicode，这个我们后面还会说
return f"name: {self.name}, age: {self.age}"
cdef class CGirl(Girl):
cdef public str where
def __init__(self, name, age, where):
self.where = where
super().__init__(name, age)
class PyGirl(Girl):
def __init__(self, name, age, where):
self.where = where
super().__init__(name, age)
我们定义了一个扩展类(Girl)，然后让另一个扩展类(CGirl)和普通的Python类(PyGirl)都去继承它。我们说扩展类不可以继承Python类，但Python类是可以继承扩展类的。
>>> import cython_test
>>>
>>> c_girl = cython_test.CGirl("古明地觉", 17, "东方地灵殿")
>>> c_girl.get_info()
'name: 古明地觉, age: 17'
>>>
>>> py_girl = cython_test.PyGirl("古明地觉", 17, "东方地灵殿")
>>> py_girl.get_info()
'name: 古明地觉, age: 17'
>>>
>>> c_girl.where
'东方地灵殿'
>>> py_girl.where
'东方地灵殿'
>>>
我们看到，对于扩展类和普通的Python类，它们都是可以继承扩展类的。这里我们的name和where没有使用char *而是使用的str，我个人建议不使用char *，主要是使用char *的话我们只能传递一个ascii字符串。如果传递了非ascii字符串，那么会出现编译错误。我们只能手动编码成bytes，才能传递给char *，但作为中国人这显然不是我们想要的。另外，可能你传递非ascii字符串也能正常通过，但我们之前也说过，这只是你的编译器比较笨，它没有检测出来这是不合法的，然而一旦换了一个聪明一点的编译器，就不会让你通过了，因此我们要写就要写健壮的代码。所以字符串和字节串就使用str和bytes即可，不要使用char *了。
因此我个人建议，像创建变量、if、for、函数、类等等，在这些Python的逻辑中，C的类型只使用long和double即可，其它的就还使用Python的类型，无论是参数还是返回值都是如此。至于像结构体、共同体等C的数据结构中，是否使用char *我们后续再讨论。
除此之外还有一个重点，那就是返回值的问题，我们看到上面的CGirl这个类，我们说的get_info函数除了使用cdef str，还可以使用cdef unicode，这在Python3中是没有区别的。但如果你在编译的时候没有指定language_level = 3，那么str会默认使用Python2中的str，那么你使用Python3的时候就必须传递一个字节串了。因为Python2中的str在Python3中代表bytes，如果使用Python2的语义编译并且还想传递字符串的话，那么需要通过unicode，因为Python2的unicode相当于Python3的str。所以我们才说，在编译的时候要显式地指定language_level=3，否则很容易出现这种错误。
继承的话，会有什么样的结果呢？我们说cdef定义的方法和函数一样，无法被外部的Python访问，那么内部的Python类在继承的时候可不可以访问呢？以及私有属性呢？
我们先来看看Python中关于私有属性的例子。
class A:
def __init__(self):
self.__name = "xxx"
def __foo(self):
return self.__name
class B(A):
def test(self):
try:
self.__name
except Exception as e:
print(e)
try:
self.__foo()
except Exception as e:
print(e)
B().test()
"""
'B' object has no attribute '_B__name'
'B' object has no attribute '_B__foo'
"""
我们说定义的私有属性只能在当前类里面使用，一旦出去了就不能够再访问了。其实私有属性本质上只是Python给你改了个名字，在原来的名字前面加上一个_类名，所以__name和__foo其实相当于是_A__name和_A__foo，但是当我们在外部用实例属性去获取__name和__foo的时候，获取的就是__name和__foo，而显然A里面没有这两个属性，因此报错。解决的办法就是通过调用_A__name和_A__foo，但是不建议这么做，因为这是私有变量，如果非要访问的话，那就不要定义成私有的。如果是在A这个类里面调用的话，那么Python解释器也会自动为我们加上_类名这个前缀，我们在类里面调用self.__name的时候，实际上调用的也是self._A__name私有属性，但是在外部就不会了。
如果是继承的话，通过报错信息我们也知道原因。B也是一个类，那么在B里面调用私有属性，同样会加上_类名这个前缀，但是这个类名显然是B的类名，不是A的类名，因此找不到_B__name和_B__foo，当然我们强制通过_A__name和_A__foo也是可以访问的，只是不建议这么做。
因此Python中不存在绝对的私有，只不过是解释器内部偷梁换柱将你的私有属性换了个名字罢了，但是我们可以认为它是私有的，因为按照原本的逻辑没有办法访问。同理继承的子类，有没有办法使用父类的私有属性。
但是在Cython中是不是这样子呢？
cdef class Person:
cdef public:
long __age
str __name
long length
def __init__(self, name, age, length):
self.__age = age
self.__name = name
self.length = length
cdef str __get_info(self):
return f"name: {self.__name}, age: {self.__age}, length: {self.length}"
cdef str get_info(self):
return f"name: {self.__name}, age: {self.__age}, length: {self.length}"
cdef class CGirl(Person):
cpdef test1(self):
print(self.__name, self.__age, self.length)
cpdef test2(self):
print(self.__get_info())
class PyGirl(Person):
def test1(self):
print(self.length)
print(self.__name, self.__age)
def test2(self):
print(self.__get_info())
def test3(self):
print(self.get_info())
>>> import cython_test
>>> c_g = cython_test.CGirl("古明地觉", 17, 156)
>>> c_g.test1()
古明地觉 17 156
>>> c_g.test2()
name: 古明地觉, age: 17, length: 156
>>>
>>> py_g = cython_test.PyGirl("古明地觉", 17, 156)
>>> py_g.test1()
156
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "1.pyx", line 31, in cython_test.PyGirl.test1
print(self.__name, self.__age)
AttributeError: 'PyGirl' object has no attribute '_PyGirl__name'
>>> py_g.test2()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "1.pyx", line 34, in cython_test.PyGirl.test2
print(self.__get_info())
AttributeError: 'PyGirl' object has no attribute '_PyGirl__get_info'
>>> py_g.test3()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "1.pyx", line 37, in cython_test.PyGirl.test3
print(self.get_info())
AttributeError: 'PyGirl' object has no attribute 'get_info'
>>>
我们看到对于Cython定义的C一级的类而言，不仅是cdef定义的方法，连私有属性也可以一并使用。但是对于纯Python类就不行了，私有属性无法访问就算了，就连父类使用cdef定义的非私有方法也无法继承下来，原因就是PyGirl是一个Python类，不是使用cdef class定义的静态类。如果把父类的cdef get_info改成def或者cpdef，那么Python子类是可以访问的。
我们说cdef定义的是C一级的方法，不是Python的方法、也不是cpdef定义的时候自带Python包装器，因此它无法被Python子类继承，因此它并没有跨越语言的边界。当然如果你不熟悉Cython中的继承、并且有很想使用继承，那么就不要使用cdef，使用def或者cpdef定义吧。虽说cdef定义的C一级的函数调用比Python快，但是说实话那一点点快几乎没啥意义。Cython加速的核心在于类型上的优化，如果我们能使用静态的方式声明，那么速度就会有明显的提升，不要为了加速反倒畏手畏脚地这不敢用那不敢用。
总之Cython加速记住两个原则：1. 能使用静态声明的方式使用静态声明，不仅是变量，还有参数、返回值；2. 关于int和float，使用C中的long和double。关于优化我们后面还会继续说，总之原则就是上面这两点做到了，我们的目的就达成了。至于cdef比def、cpdef少的那一点点函数调用的开销可以说是沧海一粟，更何况你要想被Python访问，光一个cdef也办不到，肯定需要依赖Python的包装器的。
类型转化
我们知道Python中类在继承扩展类的时候，无法继承其内部的cdef方法，但如果我们知道这个类是继承扩展类的，那么其实例对象可不可以转化为扩展类的类型呢？
cdef class A:
cdef funcA(self):
return 123
class B(A):
# 显然func1内部无法访问扩展类A的funcA
def func1(self):
return self.funcA()
# 但是我们在使用的时候将其类型转化一下
def func2(self):
return (<A> self).funcA()
>>> import cython_test
>>> b = cython_test.B()
>>> b.func1()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "1.pyx", line 10, in cython_test.B.func1
return self.funcA()
AttributeError: 'B' object has no attribute 'funcA'
>>> b.func2()
123
>>>
我们看到b.func2是可以调用成功的，但我们知道对于Python中类型使用<>这种方式如果转化不成功，那么也不会有任何影响，会保留原来值(C中的整型和浮点除外)，这可能会有点危险。因此我们可以通过(<A?> self)，这样self必须是A或者其子类的实例对象，否则报错。
扩展类型对象和None
看一个简单的函数
cdef class Girl:
cdef public:
str name
long age
def __init__(self, name, age):
self.name = name
self.age = age
def dispatch(Girl g):
print(g.name, g.age)
>>> import cython_test
>>> cython_test.dispatch(cython_test.Girl("古明地觉", 17))
古明地觉 17
>>> cython_test.dispatch(cython_test.Girl("椎名真白", 16))
椎名真白 16
>>> class B(cython_test.Girl):
... pass
...
>>> cython_test.dispatch(B("mashiro", 16))
mashiro 16
>>>
>>> cython_test.dispatch(object())
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
TypeError: Argument 'g' has incorrect type (expected cython_test.Girl, got object)
>>>
我们传递一个Girl或者其子类的实例对象的话是没有问题的，但是传递一个其它的则不行。
但是在Cython中None是一个例外，即使它不是Girl的实例对象，但也是可以传递的，除了C规定的类型之外，只要是Python的类型，不管什么，传递一个None都是可以的。这就类似于C中的空指针，任何指针都可以传递给空指针，但是没有办法做什么操作。
所以这里可以传递一个None，但是执行逻辑的时候显然会报错。
>>> import cython_test
>>> cython_test.dispatch(None)
Segmentation fault
[root@iz2ze3ik2oh85c6hanp0hmz ~]#
然而报错还是轻的，这里发生段错误，解释器直接异常退出了。原因就在于不安全地访问了Girl实例对象的成员属性，属性和方法都是C接口的一部分，而Python中None本质上没有C接口，因此访问属性或者调用方法都是无效的。为了确保这些操作的安全，最好加上一层检测。
def dispatch(Girl g):
if g is None:
raise TypeError("...")
print(g.name, g.age)
但是除了上面那种做法，Cython还提供了一种特殊的语法。
def dispatch(Girl g not None):
print(g.name, g.age)
此时如果我们传递了None，那么就会报错。不过这个版本由于要预先进行类型检查，判断是否为None，从而会牺牲一些效率。不过虽说如此，但是传递None所造成的段错误是非常致命的，因此我们是非常有必要防范这一点的。当然还是那句话，虽然效率会牺牲一点点，但还是那句话，与Cython带来的效率提升相比，这点牺牲是非常小的，况且这也是必要的。
>>> import cython_test
>>> cython_test.dispatch(None)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
TypeError: Argument 'g' has incorrect type (expected cython_test.Girl, got NoneType)
>>>
此时对None也是一视同仁的，传递一个None也是不符合类型的。这里我们设置的是not None，但是除了None还能设置别的吗？答案是不行的，只能设置None，因为Cython只有对None不会进行检测。
def dispatch(Girl g not 123):
^
------------------------------------------------------------
1.pyx:11:24: Expected 'None'
许多人认为需要not None字句是不方便的，这个特性经常被争论，但幸运的是，在函数的参数声明中使用not None是非常方便的。
个人觉得Cython的语法设计的真酷，笔者本人非常喜欢。
为了更高的性能，Cython还提供了一个默认的nonecheck编译器指令，可以对整个扩展模块不进行检查。通过在文件的开头加上一个注释：# cython: nonecheck=True，但是个人建议不要这么干。
Cython中扩展类的property
Python中的property非常的易用且强大，可以让我们精确地控制某个属性的修改，而Cython也是支持property描述符的，但是方式有些不一样。不过在介绍Cython的property之前，我们先来看看Python中的property。
class Girl:
def __init__(self):
self.name = None
@property
def x(self):
# 不需要我们对x进行调用，直接通过self.x即可获取返回值
# 让函数像属性一样直接获取
return self.name
@x.setter
def x(self, value):
# 当我们self.x = "古明地觉"的时候，会调用这个函数
# "古明地觉"就会传递给这里的value
self.name = value
@x.deleter
def x(self):
# 执行del self.x的时候，就会调用这个函数
print("被调用了")
del self.name
girl = Girl()
print(girl.x) # None
girl.x = "古明地觉"
print(girl.x) # 古明地觉
del girl.x # 被调用了
这里是通过装饰器的方式实现的，三个函数都是一样的名字，除了使用装饰器，我们还可以这么做。
class Girl:
def __init__(self):
self.name = None
def fget(self):
return self.name
def fset(self, value):
self.name = value
def fdel(self):
print("被调用了")
del self.name
# 传递三个函数即可，除此之外还有一个doc属性
x = property(fget, fset, fdel, doc="这是property")
girl = Girl()
print(girl.x) # None
girl.x = "古明地觉"
print(girl.x) # 古明地觉
del girl.x # 被调用了
所以property就是让我们像访问属性一样访问函数，那么它内部是怎么做到的呢？不用想，肯定是通过描述符。
class MyProperty: # 模仿类property，实现与其一样的功能
def __init__(self, fget=None, fset=None, fdel=None, doc=None):
self.fget = fget
self.fset = fset
self.fdel = fdel
self.doc = doc
def __get__(self, instance, owner):
return self.fget(instance)
def __set__(self, instance, value):
return self.fset(instance, value)
def __delete__(self, instance):
return self.fdel(instance)
def setter(self, func):
return type(self)(self.fget, func, self.fdel, self.doc)
def deleter(self, func):
return type(self)(self.fget, self.fset, func, self.doc)
class Girl1:
def __init__(self):
self.name = None
@MyProperty
def x(self):
return self.name
@x.setter
def x(self, value):
self.name = value
@x.deleter
def x(self):
print("被调用了")
del self.name
class Girl2:
def __init__(self):
self.name = None
def fget(self):
return self.name
def fset(self, value):
self.name = value
def fdel(self):
print("被调用了")
del self.name
x = MyProperty(fget, fset, fdel)
girl1 = Girl1()
print(girl1.x) # None
girl1.x = "古明地觉"
print(girl1.x) # 古明地觉
del girl1.x # 被调用了
girl2 = Girl2()
print(girl2.x) # None
girl2.x = "古明地觉"
print(girl2.x) # 古明地觉
del girl2.x # 被调用了
我们通过描述符的方式手动实现了一个property的功能，描述符事实上在Python解释器的层面也用的非常多，我们说实例调用方法的时候，第一个参数self会自动传递也是通过描述符实现的。所以描述符不光我们在Python的层面用，在解释器的层面上也大量使用描述符。同理字典也是如此，我们定义的类的实例对象的属性都是存在一个字典里面的，我们称之为属性字典，所以字典在Python中是经过高度优化的，原因就是不仅我们在用，底层也在大量使用。
下面来看看Cython中的property
针对扩展类的property，Cython有着不同的语法，但是实现了相同的结果。
cdef class Girl:
cdef str name
def __init__(self):
self.name = None
property x:
def __get__(self):
return self.name
def __set__(self, value):
self.name = value
>>> import cython_test
>>> g = cython_test.Girl()
>>>
>>> g.x
>>> print(g.x)
None
>>> g.x = "古明地觉"
>>> g.x
'古明地觉'
我们看到Cython是将property和描述符结合在一起了，但是实现起来感觉更方便了。
不过最重要的还是魔法方法，魔法方法算是Python中非常强大的一个特性，Python将每一个操作符都抽象成了对应的魔法方法，也正因为如此numpy也得以很好的实现。那么在Cython中，魔法方法是如何体现的呢？
魔法方法在Cython中更加魔法
通过魔法方法可以对运算符进行重载，魔法方法的特点就是它的函数名以双下划线开头、并以双下划线结尾。我们之前讨论了__cinit__、__init__、__dealloc__，并了解了它们分别用于C一级的初始化、Python一级的初始化、对象的释放(特指C中的指针)。除了那三个，Cython中也支持其它的魔法方法，但是注意：Cython不支持__del__，__del__由__dealloc__负责实现。
算术魔法方法
假设在Python中定义了一个类class A，那么如果希望A的实例对象可以使用+，那么内部需要定义def __add__(self, other)方法。然后a + 123的时候，就会转化成A.__add__(a, 123)，其中a是A的实例对象。如果是123 + a的话，那么会先调用123的__add__方法，如果出现类型错误，那么会去检测a是否有__radd__，有的话会去调用，没有的话就会报错，同理对于其它的算术操作也是类似的。
class A:
def __add__(self, other):
print("__add__ is called")
return 1 + other
def __radd__(self, other):
print("__radd__ is called")
return 1 + other
a = A()
print(a + 123)
"""
__add__ is called
124
"""
print(123 + a) # 先调用123的__add__，没有的话调用a的__radd__
"""
__radd__ is called
124
"""
# 当然的例子中，两个魔法方法中的self都是A的实例对象，有人会觉得这不是废话吗
# 之所以要提这一点，是为了给后面的Cython做铺垫
除了类似于__add__这种实例对象放在左边、__radd__这种实例对象放在右边，还有__iadd__，它是用于+=这种形式。
class A:
def __iadd__(self, other):
print("__iadd__ is called")
return 1 + other
a = A()
a += 123
print(a)
"""
__iadd__ is called
124
"""
# 如果没定义__iadd__，也是可以使用这种形式，会转化成a = a + 123，所以会调用__add__方法
所以Python真的是把每一个操作都抽象成了一个魔方方法。
但是对于Cython中的扩展类来说，不使用类似于__radd__这种实现方式。我们只需要定义一个__add__即可同时实现__add__和__radd__。对于Cython中的扩展类型A，a是A的实例对象，如果是a + 123，那么会调用__add__方法，然后第一个参数是a、第二个参数是123；但如果是123 + a，那么依旧会调用__add__，不过此时__add__的第一个参数是123、第二个参数才是a。所以不像Python中的魔法方法，第一个参数self永远是实例本身，第一个参数是谁取决于谁在前面。所以将第一个参数叫做self容易产生误解，官方也不建议将第一个参数使用self作为参数名。
cdef class Girl:
def __add__(x, y):
return x, y
>>> import cython_test
>>> g = cython_test.Girl()
>>>
>>> g + 123
(<cython_test.Girl object at 0x7f554d2ad120>, 123)
>>> 123 + g
(123, <cython_test.Girl object at 0x7f554d2ad120>)
>>>
我们看到，__add__中的参数确实是由位置决定的，那么再来看一个例子。
cdef class Girl:
cdef long a
def __init__(self, a):
self.a = a
def __add__(x, y):
if isinstance(x, Girl):
# 这里为什么需要转化呢？直接x.a + y不行吗？
# 答案是不行的，因为这个x是我们外部传过来的Girl对象
# 但是我们这里的a不是一个public或者readonly，直接访问是得不到的，所以需要转化一下才可以访问
return (<Girl> x).a + y
return (<Girl> y).a + x
>>> import cython_test
>>> g = cython_test.Girl(3)
>>> g + 2
5
>>> 2 + g
5
>>> # 和浮点运算也是可以的
>>> g + 2.1
5.1
>>> 2.1 + g
5.1
>>> g += 4
>>> g
7
>>>
除了__add__，Cython也是支持__iadd__的，此时的第一个参数是self，因为+=这种形式，第一种参数永远是实例对象。
另外我们这里说的
__add__和__iadd__只是举例，其它的算术操作也是可以的。
富比较
Cython的扩展类可以使用__eq、__ne__等等，和Python一致的富比较魔法方法
cdef class A:
# 这里比较操作符两边的值的位置依旧会影响这里的x、y
# 但是对于Python中的比较来说则不会，self永远是实例对象
def __eq__(self, other):
print(self, other)
return "=="
>>> import cython_test
>>> a = cython_test.A()
>>> a == 3
<cython_test.A object at 0x7f87b034a120> 3
'=='
>>> 3 == a
<cython_test.A object at 0x7f87b034a120> 3
'=='
>>>
a == 3，那么会调用a的__eq__，3 == a会先调用3的__eq__，如果抛出个类型错误，那么会改用a的__eq__，但是和算术魔法方法不一样，比较操作没有__req__或者__ieq__，并且比较的时候第一个参数永远是实例对象。
cdef class A:
def __eq__(self, other):
print(self, other)
return "A =="
class B:
def __eq__(self, other):
print(self, other)
return "B =="
>>> import cython_test
>>>
>>> a = cython_test.A()
>>> b = cython_test.B()
>>>
>>> a == 123 # 调用a的__eq__
<cython_test.A object at 0x7f8e1f684120> 123
'A =='
>>> b == 123 # 调用b的__eq__
<cython_test.B object at 0x7f8e177e3080> 123
'B =='
>>>
>>> 123 == a # 调用a的__eq__, 第一个参数还是a
<cython_test.A object at 0x7f8e1f684120> 123
'A =='
>>> 123 == b # 调用b的__eq__, 第一个参数还是b
<cython_test.B object at 0x7f8e177e3080> 123
'B =='
>>>
>>> a == b # 调用a的__eq__, 第一个参数是a, 第二个参数是b
<cython_test.A object at 0x7f8e1f684120> <cython_test.B object at 0x7f8e177e3080>
'A =='
>>> b == a # 调用b的__eq__, 第一个参数是b, 第二个参数是a
<cython_test.B object at 0x7f8e177e3080> <cython_test.A object at 0x7f8e1f684120>
'B =='
>>>
链式比较也是可以的，比如：a == b == 123等价于a == b and b == 123。
>>> a == b == 123
<cython_test.A object at 0x7f8e1f684120> <cython_test.B object at 0x7f8e177e3080>
<cython_test.B object at 0x7f8e177e3080> 123
'B =='
先执行a == b返回"A =="，再执行b == 3返回"B =="，然后"A =="和"B =="进行and，前面为真，所以返回后面的"B =="。
然后Python类和扩展类之间的最后一个差别就是对迭代器的支持。
迭代器支持
Cython中的扩展类也是支持迭代器协议的，而且定义的方法和纯Python之间是一样的。
cdef class A:
cdef public:
list values
long __index
def __init__(self, values):
self.values = values
self.__index = 0
def __iter__(self):
return self
def __next__(self):
try:
ret = self.values[self.__index]
self.__index += 1
return ret
except IndexError:
raise StopIteration
>>> import cython_test
>>> a = cython_test.A(['椎名真白', '古明地觉', '雾雨魔理沙'])
>>> for _ in a:
... _
...
'椎名真白'
'古明地觉'
'雾雨魔理沙'
>>>
我们知道在Python中，for循环会去寻找__iter__，但如果找不到会退而求其次去找__getitem__，那么在Cython中是不是也是如此呢。
cdef class A:
cdef public:
list values
long __index
def __init__(self, values):
self.values = values
self.__index = 0
def __getitem__(self, item):
return self.values[item]
>>> import cython_test
>>> a = cython_test.A(['椎名真白', '古明地觉', '雾雨魔理沙'])
>>> for _ in a:
... _
...
'椎名真白'
'古明地觉'
'雾雨魔理沙'
>>>
我们看到，也是一样的。
当然上面只是介绍了魔法方法的一部分，Python中的魔法方法(比如__getattr__、__call__、__hash__等等等等)在Cython中基本上都支持，并且Cython还提供了一些Python所没有的魔法方法。当然这些我们就不说了，如果你熟悉Python的话，那么在Cython中也是按照相同的方式进行使用即可。总之，用久了就孰能生巧了。
注意：魔法方法只能用def定义，不可以使用cdef或者cpdef。
对了，还有上下文管理器，在Cython中也是一样的用法。Python中基本上所有的魔法方法在Cython都可以直接用。
cdef class A:
def __enter__(self):
print("__enter__")
return self
def __exit__(self, exc_type, exc_val, exc_tb):
print("__exit__")
>>> import cython_test
>>> a = cython_test.A()
>>> with a:
... pass
...
__enter__
__exit__
>>>
这一次我们说了一下Cython中的扩展类，它和Python中内置类是等价的，都是直接指向了C一级的数据结构，不需要字节码的翻译过程。也正因为如此，它失去一些动态特性，但同时也获得了效率，因为这两者本来就是不可兼得的。
Cython的类有点复杂，还是需要多使用，不过它毕竟在各方面都和Python保持接近，因此学习来也不是那么费劲的。
虽然创建扩展类的最简单的方式是通过Cython，但是通过Python/C api直接在C中实现的话，则是最有用的练习，但还是那句话，它需要我们对Python/C api有一个很深的了解，而这是一个非常难得的事情，因此使用Cython就变成了我们最佳的选择。
我们老说Python/C api，可能有人觉得这到底是个什么玩意，别急，最后我们就来演示一下吧。我们不拿类来举例，就拿函数举例吧。因为使用C实现Python的函数就已经够复杂了，我们要实现的函数是：接收两个整型，然后返回两个整型之和。
#include "Python.h"
//函数的具体实现
static PyObject *
my_func1(PyObject *self, PyObject *args)
{
int a, b;
if (!PyArg_ParseTuple(args, "ii", &a, &b)){
return NULL;
}
return PyLong_FromLong(a + b);
}
static PyMethodDef module_functions[] = {
{
"my_func1",
(PyCFunction)my_func1,
METH_VARARGS,
"this is a function named my_func1",
},
{NULL, NULL}
};
static PyModuleDef HANSER = {
PyModuleDef_HEAD_INIT,
"hanser",
"this is a module named hanser",
-1,
module_functions,
NULL,
NULL,
NULL,
NULL
};
PyMODINIT_FUNC
PyInit_hanser(void)
{
return PyModule_Create(&HANSER);
}
这里面涉及很多知识，比如：参数解析、参数类型、定义模块，当然还有如何导入一个模块、调用模块的属性和方法、定义一个类的时候使用类的魔方方法等等等等，我这里就不写了，总之使用Python/C api编写扩展模块是一件非常累的事情。
总结
如果你能够掌握Python/C api的话，那么你一定是一个了不起的人。总之一句话：如果你用C编写扩展模块的时候，能够像写Python一样轻松，或者说Python语言的高级用法，比如魔方方法、描述符、元类、装饰器等等等等，你可以迅速用Python实现的话。那么我可以负责任的告诉你，要是只论Python的话(当然相信你的C水平也是极高的)，你可以轻松地进入任何一家公司。
但正因为Python/C api写起来是一件异常痛苦的事情，所以Cython的出现极大的解放了程序猿的双手。
总之扩展类型是Cython将C的性能和Python的外观相结合的一个体现，Cython定义的扩展类型具有如下特性：
允许轻松高效地访问实例的C级数据和方法；效率高；允许控制属性的可见性；可以被Python类继承等价于内置类型，我们说扩展类不能继承Python类，但是它可以继承内置类型，因为扩展类和内置类是同一级别的。
在后面的系列中我们将更加自由的使用扩展类型，以及使用扩展类型来包装C的结构体、函数、以及C++中的类，从而给外部库提供一个优秀的面向对象的接口。