这是一篇记录了我们把一大段 Python/Cython 代码迁移到 Go语言经历的(长)博客。如果你希望了解整个故事、背景等所有的内容,请接着读。如果只对 Python 开发者进入之前需要知道的东西感兴趣,点击下面的链接:
从 Python 迁移到 Go 的提示与技巧
背景
我们在 Repustate 技术上最大的成果就是实现了阿拉伯语情感分析。阿拉伯语真是一个难啃的骨头,它的单词语法形态太复杂了。阿拉伯语的分词(tokenization,把一个句子分成独立的词语)相比诸如英语更难,因为阿拉伯语单词内部可能包含空格(例如,aleph内的位置)。这个不需要保密,那就是 Repustate 使用了支持向量机(SVM)来得到句子最可能的意思,然后在此基础上分析情感。我们总共用了 22 个模型(22 个支持向量机),文档中的每个单词都会被分析。也就是说,如果一篇文档包含 500 词的话,将会有一万次以上的支持向量机的比较操作。
Python
Repustate几乎是彻底用 Python 实现的,因为我们使用了 Django 作为应用程序接口和网站架构。所以只能保持代码的统一,同时用 Python 实现整个阿拉伯语情感引擎。原型与实现的过程中,Python 还是很不错的。非常强的表达能力,强大的第三方库资源。如果你只是服务于网页的话,还是很完美的。但是,当你需要进行底层计算,需要在散列表(Python 中的字典)上进行大量的比较运算的时候,速度就慢下来了。我们每秒钟只能处理2到3篇阿拉伯语文档,这太慢了。对比我们的英语情感引擎,每秒钟能处理 500 篇文档。
瓶颈
于是,我们启动了 Python 分析器,研究哪部分执行得慢。还记得我说过我们会用 22 个支持向量机处理每一个单词吗?这些处理都是串行的,没有并行操作。好,我们第一个想法是把这个改成类似 map/reduce 的操作。长话短说:Python 中不适合使用 map/reduce。当你需要并发性的时候,Python 一点都不好用。2013 年的 PyCon 大会上,Guido 提到了 Tulip,他试图解决这个问题的新项目,但是还需要一段时间才能推出。如果已经有更好的选择,我们为什么还要等它呢。
换 Go 语言还是回家种田
我在 Mozilla 的朋友告诉我,Mazilla 服务中日志架构的大部分代码已经切换成 Go 了,部分原因是 goroutine(Go 线程)的强大。Go 是 Google 的一群人设计的,它把并行性作为一级概念,而不像 Python 的不同解决方案做的事后补充。于是,我们开始着手把 Python 换成 Go。
尽管 Go 代码还没达到产品级别,其结果已经非常令人鼓舞了。我们达到了每秒 1000 文档的速度,使用了更少的内存,还不用去处理用 Python 时碰到的多进程/gevent/“为什么 Ctrl+C 杀掉了我的进程”代码等讨厌的问题。
我们为什么爱上了Go
只要知道一点儿编程语言工作原理的人,(明白解释和编译以及动态与静态的区别),就会说:“老兄,Go 显然会更快”。没错,我们也可以把整个东西用 Java 来重写,并且得到类似的性能,但这不是 Go 胜出的原因。你用 Go 写出代码来就很容易是正确的。我也说不清楚怎么回事,但是一旦代码编译通过(编译速度还很快),你就感觉到它可以工作了(不只是运行不提示错误,而是逻辑上就是对的)。我知道这听起来很玄乎,但确实是事实。这就像 Python 解决冗余问题(或者说无冗余),它把函数作为一级对象,从而函数编程可以轻松的进行。go线程和通道(channel)让你的生活如此轻松。你还可以得到静态类型带来的性能提升,更精确的控制内存分配,却不会因此损失表达性。
我们早该知道的事情
除去那些赞美之词,用 Go 的时候需要一种不同于用 Python 时的心态。下面是一些迁移时候的笔记,把 Python 转成 Go 时随机跃入我脑子的东西:
没有内建的集合类型(需要使用 map 然后检查存在性)
由于没有集合类型,需要自己实现交集、并集等方法
没有元组(tuple),需要设计自己的结构(struct)或者使用slice(类似数组)
没有类似 __getattr_() 的方法,需要你检查存在性而不能设置缺省值,例如 Python 中,你可以这么写:value = dict.get(“a_key”, “default_value”)
需要检查错误(或者至少显式的忽略它们)
不能够有未使用的变量和包,需要时不时的注释掉一些代码
在 []byte 和 string 之间切换,正则处理(regexp)使用 []byte(可改写的)。这是对的,但转换来转换去还是很麻烦
Python 语法更宽松。你可以用超出范围的索引取字符串的片段而不出错,也可以使用负数取片段。Go 就不行。
无法使用混合类型的数据结构。这可能不一定合适,但是 Python 中有时候我会有一个取值可以是字符串和列表混合的字典。Go 里不行,你必须清理里的数据结构或者自定义结构*
没法把元组或者列表分配成分开的变量(例如,x, y, x = [1, 2, 3])
驼峰式大小写习惯(首字母不大写的函数/结构不会暴露给其他包)。我更喜欢 Python 的小写加下划线的习惯。
必须显式的检查错误是否为空,不像 Python 中很多类型都可以像布尔类型一样的用(0,空串,None都可以作为布尔“假”)
一些模块(如 crypo/md5)的文档不足,但是 IRC 上的 go-nutes 很厉害,有强大的支持
数字转字符串(int64->string)与 []byte 转字符串(只要 string([]byte))不同,需要调用 strconv
读 Go 的代码绝对像是编程语言,而 Python 可以写成像是伪代码一样。Go 使用更多的非英文数字字符,使用 || 和 && 而不是 or 和 and。
写文件会有 File.Write([]byte) 和 File.WriteString(string),与 Python 开发者的一种办法解决问题的信条不一致。
字符串插入不好用,必须经常使用 fmt.Sprintf
没有构造函数,通常的习惯是写一个 NewType() 函数返回你要的结构
Else(或者 else if)得正确的格式化,else 得和与 if 配对的大括号在一行。奇怪。
函数内外使用不同的赋值操作符,= 和 := (译者注:此为作者的误解,= 和 := 的区别是显式定义类型还是自动类型推导,而函数外的变量只能用 =)
如果我只想要键值(dict.keys())或取值(dict.values())的列表,或者元组的列表(dict.items()),Go 中没有对应的函数,只能自己迭代
暂无评论内容