Python Eficaz

Em algum momento de nossa vida de programador Python atingimos o chamado
muro do desempenho, (performance wall, como é conhecido em inglês). Mesmo
depois de otimizar seu código (consulte o Item 58: “Meça os perfis de
desempenho antes de otimizar o código”), a execução dos seus programas pode
continuar muito lenta. Em computadores modernos, com cada vez mais núcleos
de CPU à medida em que novos modelos vão surgindo no mercado, é razoável
supor que uma das soluções possíveis seja o paralelismo. Como seria bom se
pudéssemos dividir o esforço de computação de nosso código em pequenos
pedaços e entregá-los a núcleos distintos para serem executados em paralelo, não
é mesmo?
Infelizmente, a Global Interpreter Lock (GIL) do Python impede o paralelismo
verdadeiro em threads (consulte o Item 37: “Use threads para bloquear I/O e
evitar paralelismo”), portanto essa opção está fora de cogitação. Outra sugestão
bastante comum é reescrever em linguagem C o trecho de código que mais sofre
com problemas de desempenho. O C é uma linguagem que chega muito perto do
baixo nível, ou seja, “fala” diretamente com o hardware. Por isso, é também
muito rápida, eliminando a necessidade de paralelismo em muitos casos. As
extensões em C podem, além disso, iniciar suas próprias threads nativas que
rodam em paralelo e utilizam múltiplos núcleos de CPU. A API do Python para
escrever extensões em C é muito bem documentada e uma ótima escolha, caso
precise de uma saída de emergência.
Contudo, reescrever seu código em tem um custo altíssimo. Trechos de código
que seriam curtos e absolutamente inteligíveis em Python podem tornar-se
palavrosos e complicados em C. Uma portagem dessa envergadura necessitaria
de muitos e profundos testes para garantir que a funcionalidade seja equivalente
à do código original em Python e que nenhum bug foi introduzido no processo.
Algumas vezes, o esforço vale a pena, o que explica o ecossistema bastante
diverso e populoso de módulos de extensão em C disponíveis para a comunidade
de programadores do Python. Esses módulos melhoram o desempenho de um
sem-número de tarefas como análise de texto (parsing), composição de imagens
e cálculo matricial. Existem até mesmo ferramentas de código aberto como o
Cython (http://cython.org/) e o Numba (http://numba.pydata.org/) que facilitam
sobremaneira a transição para o C.
O problema é que portar um trecho do seu programa para C não é suficiente na
maioria das vezes. Programas otimizados em Python não possuem um único
www.full-ebook.com