PyPy与CPython
PyPy是Python解释器CPython的直接替代品。CPython将Python编译为中间字节码然后由虚拟机解释，而PyPy使用实时(JIT)编译将Python代码转换为本地机器的汇编语言。
根据正在执行的任务，性能提升可能会非常显着。平均而言，PyPy将Python加速了大约7.6倍，一些任务加速了50倍或更多。CPython解释器根本不会执行与PyPy一样的优化方式，并且可能永远不会，因为这不是它的设计目标之一。
最好的部分是开发人员需要很少甚至不需要努力来解锁PyPy提供的收益。只需将CPython替换为PyPy，并且大部分都已完成。下面讨论了一些例外，但是PyPy的目标是运行现有的，并且未经修改的Python代码并为其提供自动化的速度提升。
PyPy目前通过项目的不同版本支持Python 2和Python 3。换句话说，你需要下载不同版本的PyPy，具体取决于你运行的Python版本。 PyPy的Python 2分支已经存在了很长时间，但到目前为止，python 3版本的速度已经提高了很多。PyPy目前支持Python 3.5(发布版本)和Python 3.6(beta版本)。
除了支持所有核心Python语言外，PyPy还可以与Python生态系统中的绝大多数工具配合使用，例如用于打包的pip或用于虚拟环境的virtualenv。大多数Python软件包，即使是那些带有C模块的软件包，都会按照原样运行。当然，也存在一些限制，我们将在下面介绍一些限制。
PyPy如何工作
PyPy使用其他即时编译器中的动态语言优化技术。它分析运行的Python程序，以确定在程序中创建和使用对象时的类型信息，然后使用该类型信息作为指导来加快速度。例如，如果Python函数仅使用一种或两种不同的对象类型，PyPy会生成机器代码来处理这些特定情况。
PyPy的优化是在运行时自动处理，因此你通常不需要调整其性能。高级用户可能会尝试使用PyPy的命令行选项来为特殊情况生成更快的代码，但这种情况通常很少需要。
PyPy也脱离了CPython处理一些内部函数的方式，但它同时试图保留兼容的行为。例如PyPy处理垃圾回收的方式与CPython不同。并非所有对象一旦超出范围就立即回收，所以在PyPy下运行的Python程序可能比在CPython下运行时显示占用更大的内存。但你仍然可以使用通过gc模块公开的Python高级垃圾回收控件，例如gc.enable()，gc.disable()和gc.collect()等等。
如果你想在运行时获得有关PyPy的JIT(实时)行为的信息，PyPy包含一个模块pypyjit，它向你的Python应用程序公开了许多JIT关联信息。如果你的某个功能或模块在JIT上表现不佳，那么pypyjit可以让你获得有关它的详细统计信息。
另一个特定于PyPy的模块，__pypy__暴露了PyPy特有的其他功能，因此对于编写利用这些功能的应用程序非常有用。由于Python的运行的动态性，有可能构建在PyPy存在时使用这些功能的Python应用程序，而在不存在时忽略它们。
PyPy的限制
可能看PyPy起来像魔法一样神奇，但其实它并不神奇。 PyPy同样具有某些限制，可以削弱或消除某些程序的有效性。唉，PyPy不是CPython运行时的完全的通用替代品。
PyPy最适合纯Python的应用程序
PyPy在“纯”Python应用程序中表现最佳，换句话说也就是用Python编写的没有夹杂其他语言的应用程序中表现最佳。由于PyPy模仿CPython的本机二进制接口的方式，与C库(如NumPy)接口的Python包也没有那么出类拔萃了。
PyPy的开发人员已经解决了这个问题，并使PyPy与大多数依赖于C扩展的Python包更加兼容。例如Numpy现在与PyPy兼容的非常好。但是，如果你希望与C的扩展最大程度地兼容，请使用CPython。
PyPy适用于运行时间较长的程序
PyPy优化Python程序的一个副作用是，运行时间较长的程序通过PyPy的优化获益最多。程序运行的时间越长，PyPy可以收集的运行时类型信息就越多，它可以进行的优化就越多。一劳永逸的Python脚本不会从这种事情中受益。例如受益的Python应用程序通常具有长时间循环运行的行为，或者在Web框架的后台中连续运行。
PyPy没有预编译
PyPy编译Python代码，但它不是Python代码的编译器。由于PyPy执行其优化的方式和Python的固有动态特点，因此无法将生成的JITted代码作为独立二进制文件发出并重新使用它。每次运行都必须编译每个程序。如果你想将Python编译成可以作为独立应用程序运行的更快的代码，那么还是请使用Cython、Numba或当前实验性的Nuitka项目。
