力压 Java 与 C 的 Python 现状如何了？

转眼间，2018 年已进入倒计时阶段，回忆起这一年中编程语言界的发展，过得风生水起的语言非 Python 莫属。而它的火热和人工智能产业的爆发不无关系，但全局来看，得益于 AI 的 Python 并非止于 AI，Python 还在系统编程、多媒体应用、数据库编程、Web、爬虫等多个场景中均有应用。不仅如此，这一年的 Python 在 TIOBE 编程语言排行榜中，两度超越了 C++，涌进排行榜的前三甲。
但当前的 Python 是否真的如此完美？

作者 | Daniel Kats
译者 | 弯月
出品 | CSDN（ID：CSDNnews）
我刚刚从本月早些时候在 PyCon Canada 上演讲的兴奋中平静下来。在会议上我见到了许多聪明的人，似乎每个人都在谈论着同样的痛点和希望。在这篇文章中，我将总结当前最为流行的编程语言 Python 的趋势，以及所面临的现状。
我喜欢 Python，且在个人项目和专业项目上使用 Python 也将近 10 年了。我的工作一半是数据分析，另一半是快速原型创建，所以 Python 是个绝佳的工具。Python 本身最大的优点就是它有大量的库，可以用来干任何事情：机器学习、数据探索、可复现的研究、可视化、云功能、Web API、以及其他所有你能想到的东西。
我离不开 Python 的原因之一就是 Python 的社区非常好，在 StackOverflow 和 GitHub 上与他人交流是一件非常愉快的事情。2015 年，我的一个朋友在我们学校组织 PyCon Canada，拉着我去做志愿者。我发现社区非常友好，也非常有创造力。今年，我觉得我应该做一些回馈，在我的家乡多伦多举行的 PyCon 上做一次演讲。短短三年内社区成长了很多，我对此感到十分震惊。
和以前一样，我发现社区里到处都是聪明又富有创造力的人。一个例子就是在这次演讲中，有一位嘉宾分享了：用 Python 发现哈利波特中的性别偏差”，不管你觉得这个题目如何，但确实是个非常抓人眼球又非常好笑的题目。
但是，像任何工程一样，Python 依然在建设中。我们对于 Python 语言的感受甚至不同于五年前，因此当时一些看似不熟悉的事情，今天不仅成为了可能，甚至成为了理所当然。这篇文章将阐述一些 Python 的发展方向，以及我对于它们成长的看法。

优点

2018 年的 Python 世界中出现了许多新东西，一些甚至度过了成长的烦恼期。下面是我个人喜爱的一些：
JupyterLab
Jupyter Notebook 是一个可以执行 Python（及其他语言）的 Web 应用程序，并能立即以嵌入的方式查看执行结果，包括图表、格式化后的表格以及 Markdown 各式的文字等。它还会自动保存中间结果（像 REPL 一样），可以导出成多种格式，还有上百种其他功能。
Jupyter Notebook 在社区中被广泛使用，特别是在研究和科学领域。Jupyter 团队毫无争议地赢得了 2017 年的 ACM 软件系统奖。
JupyterLab 是在传统 Jupyter notebook 上进行了改进。它包含一些非常好的功能，如单元格拖拽、嵌入式查看数据文件（如 CSV）、标签页式的环境，以及一个以命令为中心的界面。当然它仍然在 beta 阶段，还有一些小问题，如 Revea.js 幻灯片导出功能，单元格折叠功能等都不能正常使用。但整体来说，它表明一个好的工具会不断成长并进步，以满足用户的复杂需求。
mypy
mypy 是一个 Python 的静态类型检查工具，它已经出现有一段时间了。但是，这几年它发展得很好了，你甚至可以把它通过 git hooks 或其他 CI 流程来集成到产品的项目中。我发现它对所有代码都非常有用，甚至能在我编写单元测试之前捕获到我的各种错误。当然它也不是没有陷阱。许多情况下你得写一些看似多余的注释：

__init__(self, *args) -> None

复制代码

其他行为我也认为有些奇怪。而且，许多常用的模块都没有类型文件，如：

flask：https://github.com/python/typeshed/issues/28
msgpack：https://github.com/msgpack/msgpack-python
coloredlogs：https://github.com/xolox/python-coloredlogs
flask-restplus：https://github.com/noirbizarre/flask-restplus
sqlalchemy：https://github.com/zzzeek/sqlalchemy
nacl：https://github.com/pyca/pynacl

因此这些库会阻碍你将 mypy 集成到你的 CI 系统中，除非你做出大量配置。--ignore-missing-imports 选项基本上是必须的。我希望以后为各种库的模块提供类型文件能成为社区的基本标准。
pipfile 和 pipenv
pipfile 让我感到非常激动！pipfile 是 PEP508 的一个实现，它的动机是用依赖管理系统替换 requirements.txt。
最原始的动机就是，使用 pip 进行的依赖管理与其他 Rust、Javascript 等语言中类似的系统比起来太落后了。虽然 pip / requirements.txt 的缺点众所周知的，但我见过总结得最全面的就是这篇文章（https://www.kennethreitz.org/essays/a-better-pip-workflow）。我建议阅读一下全文，不过大致内容如下：
requirements.txt 没有标准：它应该列出所有直接和间接的依赖，或者只是直接的依赖？是否应该包括固定的版本号？另外，开发时所需的依赖也非常依赖个人喜好。不同的开发团队会使用不同的规则，会让构建的重现成问题。
为了保证依赖列表最新，就要在 pip install $package 之后立即执行 pip freeze > requirements.txt，这个流程非常难用，而且有许多问题。
依赖管理系统包含三个工具和标准（virtualenv，pip和requirements.txt），它们之间并没有明确的互操作性。它们的存在都是为了完成单一的任务，那么为什么没有单一的工具来做这件事呢？
使用 pipenv 吧。
pipenv 会自动创建 virtualenv，安装并管理该 virtualenv 下的所有依赖，并自动保持 pipfile 最新。
尽管这个想法很好，但使用起来很麻烦。我在实际使用中遇到了许多问题，经常得回到前一种方式，比如显式地使用 virtualenv。我还发现 locking 操作非常慢（部分源自 setup.py 的标准，也是工具链生态标准中的许多问题之一）。
f-strings
f-strings 太棒了！许多人都写过 f-strings 的好处，包括它们自然的语法和带来的性能提升。我没有必要重复这些点，我只想说，这个功能非常棒，从它一出现我就一直在用。
f-strings 带来的一个有点讨厌的地方就是书写 print 语句和 logging 语句之间的区别。logging 模块很好，而且默认情况下，如果日志消息被关闭，那么格式化就不会进行。所以你可以写：

x = 3logging.debug(‘x=%d’, x)

复制代码

如果日志级别设置为 DEBUG，就会输出 x=3，但如果日志级别更高，就不会进行字符串插值。这是因为 logging.debug 是函数，而字符串作为参数传递。可以在这篇“非常容易理解的 C 源代码”文章（https://github.com/python/cpython/blob/master/Lib/logging/__init__.py#L1419）中看到它的工作原理。但是，如果这样写，这个功能就消失了：

x = 3logging.debug(f’x={x}’)

复制代码

不管日志级别是什么，字符串插值必然会执行。从语言层面来看这是合理的，但实际的结果却让人感到不安。调试时我会首先使用 print 语句，如果一切看起来正常，我就会将 print 转成 logging 语句。所以每个 print 语句都需要手动改写，以便匹配不同类型的字符串插值。我不知道应该如何解决这个问题，但我想指出这个问题，因为别人没说过。

缺点

像许多与 Python 一样老的项目一样（Python 都和我一样老了），一些模块和思想也上了年纪。这不是吐槽大会，我只是想说 Python 的社区可以做得更好。
tox
Tox 依然是 Python 世界中最好的测试执行器，而且它也非常糟糕。不仅是因为 tox.ini 的语法很不直观，工具本身也非常慢。当然这并不是 tox 自己的错误，而是整个 setup.py 系统就有设计缺陷。因为这些文件定义了包之间的依赖，而它们执行代码查找依赖继承关系就非常慢。这导致一系列工具都很慢。我相信 2019 年我们的社区应该尝试解决这个问题。
此外，它依然不支持 pipfile，让它变得更慢。像许多东西一样，并不是说它本身好坏，而更大程度上取决于它周围工具的好坏。
类型标注只能用于工具
引用自 PEP0484：

使用类型提示进行性能优化作为读者练习。

考虑到该 PEP 出现时 Python 的状态，这一点也是可以理解的，但现在应该更进一步了。我们已经成功地转移到了 Python3，360 个 PyPi 上下载次数最多的包中有 359 个都兼容 Python3。类型提示深受社区欢迎。更进一步，Python 的类型提示应该带来更多好处，如类型优化、自动运行时类型断言等。我发现运行时类型断言非常有用（特别是在函数库中），但手工编写非常麻烦。再加上类型提示，维护多个类型系统就变得特别麻烦。
就像其他提到的那样，Python 4 很可能会把 JIT 当做最优先的功能。似乎这是个给类型标注进行性能优化的好地方。
变量可修改性
对于现在的 Python 我最大的不满就是它没有 const 或类似的东西。在我犯过的所有编码错误中，90% 都是类型相关的错误（现在可以通过 mypy 捕获大部分），或是以为自己创建了新变量，实际上却错误地使用了同一个函数中定义过的变量。我知道有些包能实现这一点，但我希望 Python 自身能支持 const。
nbconvert
nbconvet 项目非常赞。它可以将 Jupyter notebook 转换成其他各种格式，包括 PDF、Reveal.js 幻灯片，或者可执行脚本。在过去几个月内我经常使用后两者，它们真的改变了我的工作流程。我可以把一切都放在一个 notebook 中，最后再将其转换成幻灯片在每周会议上把我的进度演示给同事。类似地我也可以在 notebook 中规划一个想法，然后只需最小的代价将其转换成脚本并用在产品中。
当然这只是想法。现实是，任何大小的 notebook 转换成脚本都需要大量手工操作才能成功转换，有时还不如手动复制粘贴。我听说许多公司创建了 nbconvert 的 wrapper 使它更容易使用。我希望这些人能开源，这样就能解决我的痛苦了。

结论

许多优秀的人鼓励我写这篇文章，我感谢他们的反馈和支持。如果你有不同意见，欢迎留言分享你的看法。

原文：https://medium.com/@dbkats/state-of-python-in-2018-68fe478f8bb6
本文为 CSDN 翻译，如需转载，请注明来源出处。