阅读量破 5 万+!Python 单线程性能真的超过 Java 了吗?

评论区引发了不少讨论，有粉丝称：“通过 Demo 证实了 Python 在性能上已接近 Java，甚至在部分场景反超 Java。”（完整事件可点击上方链接查看评论区）

出于好奇，我借助 AI 工具在本地复现并运行了该 Demo，希望验证其结果。然而实际运行后发现结果存在明显差异。为此，我专门设计了一组对照实验，尝试找出并解释这些差异产生的原因。

以下内容仅代表个人观点，纯技术分享与理性探讨，不针对任何个人或群体。欢迎友好交流，共同学习。

全文有点长，纯手打，请耐心看完。

一、粉丝的Demo 、论点以及结论

1.1、原始评论（查看完整评论区，请点击上面链接。）

1.2、粉丝代码截图

我来总结一下这位粉丝朋友的 Demo 与结论：

• Python 解释运行效率很差

• 类型注释 + mypyc编译运行，性能可以追上或者反超 Java，也就是运行时间可以更短

代码就按照截图中的代码为基准：

• Python 运行耗时 1.3s

• Java 运行耗时 1.6s

• 结论是 Python 性能持平或者反超 Java

二、我的运行结果

2.1、我的代码截图，完全与粉丝代码一致

2.2、运行结果

结果是：

Python 运行耗时 1.4s，Java 运行耗时 0.55s。

可以看到我本机环境，Python运行耗时与粉丝的运行耗时接近，而Java 远远小于粉丝的运行耗时。

我的结论是：

Java 性能远远超过 Python 性能，并且差异巨大。(1.4 / 0.55 ≈ 2.5)

但粉丝不认可这个结果，认为是我的环境有问题。

三、我的环境有问题？

3.1、AOT 编译有问题

说我的 AOT 编译、代码有问题。

说我的 py 优化不完整。

总结：

说我环境有问题或者代码有问题。

我认为这个观点不成立，我的运行结果与他的运行结果仅差 0.1s，即便以他的运行结果为准，1.3s 与 0.55s 相比依旧差异巨大。

从下面这张截图，也能看到粉丝对自己的 Java 环境也没那么自信，他说他不清楚他的容器环境是否能发挥全部 Java 性能。

我认为是他的 Java 环境有问题，导致他认为 Python 性能已经持平 Java 了。但他并不认可，并且认为是 JIT 的问题。

3.2、如果没有 GIL 锁，Demo 代码会运行的更快？

这个我就不验证了，我不觉着一个单线程代码，去掉 GIL 锁，会有什么性能提升。。。如果有大佬觉着有性能提升，欢迎评论区发截图验证，我们共同成长。

四、JIT 问题？

粉丝说是多次运行Java文件，JIT 有缓存，会导致Java运行更快。

我验证的结果是，首次运行与多次运行，耗时差异不明显：

4.1、首次运行

4.2、多次运行

可以看到耗时基本没有差异，并且为了验证 JIT 是否有影响，我还修改了 demo 测试在 for 循环内多次运行，是否有性能差异。

4.3、for 循环内多次运行demo

可以看到，第三次开始性能略有提升，但差异不明显。

我咨询了 AI 为什么 JIT 效果不明显。

结论是：

一开始因为循环次数较多，编译期已经做了 JIT 优化了，所以所谓冷启动时，JIT 已经参与优化了。

这么看他说的有道理？是 JIT 影响了实验结果吗？

我的答案是，不是的。

前面我是被粉丝朋友误导了。他要求 Python 通过 AOT 编译运行，而不能是解释运行。而 Java 没有 JIT 的情况下是解释运行。这根本是为了比较出 Python 更快而设计的实验，所以我根本不应该在 JIT 上浪费时间。本身就应该用 JIT 预热后的 Java 耗时来比较，毕竟生产环境启动后热点代码都会经过 JIT 优化。

以上，就是我在本地环境做的实验。

结论是：

粉丝的 Demo 和运行条件并不能证明 Python 的性能跟 Java 的性能接近。

反而证明，性能差异巨大。

五、性能差异的原因

从这里开始，我设计了额外的实验，验证并解释效率的差异。

5.1、用 C++ 建立性能基准

我首先需要一个基准，确认这段代码多长时间运行完成是优秀的成绩。

我用 C++ 写了这个逻辑，运行耗时作为优秀标准，大家应该没有异议吧？

5.2、运行结果

耗时比较：

• C++ 运行耗时 0.49s

• Java 首次运行耗时 0.55s 接近优秀

• Java 连续多次运行耗时 0.48s 过于优秀

• Python 运行耗时 1.3s 不及格

5.3、为什么Java 与 C++ 运行耗时接近？

我求助了AI，可以理解为 Java JIT 后运行的指令与 C++ 编译后的指令效率上很接近了。但是因为 Java 编译成原生文件比较指令集比较麻烦，我这里就不验证了。

5.4、反编译指令，解释 Python 性能差异

那么，Python 在编译成原生文件后，为什么性能还是比不上 Java 或者 C++ 呢？

我尝试用 AI 帮我反编译Python 和 C++ 的编译产物，来找到答案

结论是：

mypyc 编译的 Python so 指令复杂度显著高于 C++，主要原因是：

• Tagged integer 机制：Python 整数必须保留任意精度语义，每次运算都有溢出检测分支

• 引用计数：中间值都是 Python 对象，必须手动 DecRef

• Python 对象协议：time.perf_counter()、print() 等调用要走完整的 PyObject_GetAttr + Vectorcall 路径。

六、终极总结

复现粉丝朋友 Demo 并自行设计实验后，

我的结论是：

粉丝的实验条件有问题：他的容器环境限制了 Java 性能，导致 Java 耗时虚高，得出了"Python 持平 Java"的错误结论。

公平对比下，性能差距巨大：Python mypyc AOT 编译 vs Java JIT 预热后，耗时比约为 2.3 倍（1.3s vs 0.55s）。

Java JIT 已接近 C++：JIT 预热后，Java 耗时（0.48s）与 C++ -O2 编译（0.49s）几乎持平，说明 JVM 的即时编译优化相当成熟。

Python mypyc 落后的根本原因：不是编译方式的问题，而是 Python 对象模型的固有开销——任意精度整数、引用计数、完整对象协议调用，这些无法被 AOT 编译消除。

以上就是我本地复现与实验的完整过程。

特别感谢：@费城的二鹏的投稿，

让我们有机会进行这次有趣的验证和对比。欢迎大家在评论区理性讨论，共同进步。