其实就是解释执行与编译执行的区别

PyPy是Armin Rigo开发的，Python语言的动态编译器，是Psyco的后继项目。 PyPy的目的是，做到Psyco没有做到的动态编译。

PyPy开始只是研究性质的项目。 但是开发非常成熟，在2007年中旬发布了1.0 Release版本后，大家关注的焦点是，能否在2008年出现可供生产环境使用的版本。

编译执行，顾名思义，要先编译再执行，这里需要有一个编译器，来将我们的代码全部编译成机器代码，然后进行执行。因为先整体进行编译，所以这里会生成编译后的机器代码。

 解释执行，则是需要一个解释器，它会将我们的一句句解释成机器代码来执行，可以认为是，解释一句，执行一句。在这个过程中，不会生成中间文件。

 通过对比发现，编译执行，只需要编译一次，多次运行。而解释执行的话，没运行一次程序，都要经过解释器的解释过程。 

　　

针对优缺点，可以从以下几个方面分析。

从启动效率来看，解释执行不需要进行编译操作，而编译执行，要经过编译过程。解释执行启动速度更快。

从运行效率来看，因为编译执行只需要编译一次，以后再运行就无需编译，而解释执行每次都要经过解释过程，所以编译执行效率更高。

从内存使用方面来看，编译执行需要生成编译后的机器码文件，而解释执行时逐句解释执行，所以解释执行对内存占用更少。

从跨平台的角度来看，因为解释执行每次可以根据不同的平台进行解释，例如js在linux和windows都可以运行，而C语言在windows下编译后的文件，只能在windows下才行执行。

 

模拟多线程操作 证明结论

1.1 python 运行的话 按照代码逻辑应该是0 但是最终输出的结果却不是0 每次结果都不一样

说明 python 运行大量并发 会出现混乱

import threading

num=0

def change_it(n):
    global num
    for i in range(1000000):

        num = num + n
        num = num - n
    print(num)

threass=[
    threading.Thread(target=change_it,args=(8,)),  #
    threading.Thread(target=change_it,args=(10,)),

]

[ t.start() for t in threass   ]

[ t.join() for t in threass   ]

print(num)

　　

但是使用pypy3 运行就不会出现代码混乱 但是 运行时间比python长

 用python 和 pypy3 测试一下代码运行时间即可知道

 

import time
s1=time.time()

ss=[ i**2 for i in range(10000000)]
print('运行时间',time.time()-s1)