Python时间库性能比较

Python datetime库的主要替代者都有着相似的目标，易用／简单／用户友好．这些目标很赞，我很喜欢这些替代库，所以我投入了大量的精力去研究它们．这里我想研究的是，使用这些替代库会对程序的性能产生什么样的影响？

为什么要担心时间库的性能？因为时间库的使用无处不在．大量使用时间库的Web服务／数据库／数据处理程序，都对性能的要求十分苛刻．想想如果你正在为提高每秒请求数而发愁，而这时引进了一个库让性能下降了一半，我相信你一定会考虑换一个替代品的．

那些抱着＂如果要效率，那你为什么用Python？＂这样想法的人，一定没有听说过PyPy，不知道当今的Python程序的效率已经被优化到了何种程度．

我设置了一个标准来比对Python是时间库的替代品，datetime, Arrow, Pendulum, Delorean 和 udatetime．我选择了４个典型的性能指标来测量这些库的效率．

• 解析一个时间字符串

• 序列化一个时间字符串

• 在UTC时间下实例化当前时间的对象

• 在本地时间下实例化当前时间的对象

• 在UTC时间下从时间戳计算一个时间的对象

• 在本地时间下从时间戳计算一个时间的对象

坦率地说，udatetime这个库的主要目的就是优化性能．这里把它拉进来做对比，是为了展示性能优化可以做到什么程度．

这个性能测试的执行环境是Python2.7, PyPy和Python3.5．测试代码每轮会被运行一百万次，结果取３轮的最小值．

上图可见，无论使用什么解释器，结果都是差不多的．udatetime是最快的，在PyPy上尤甚．总体来看，datetime比udatetime慢了3倍，Arrow慢了10倍，Delorean慢了13倍，Pendulum慢了18倍．

如果我们抛开在Python2.7和Python3.5上的结果，这样我们就可以比较在纯Python代码下的性能差距，因为在PyPy下面没有C语言代码优化的情况．这种情况下datetime比udatetime慢5倍，Arrow慢12倍，Delorean慢13倍，Pendulum慢18倍．

有人说，给代码做性能优化一定要能将性能提升一个数量级，这样才值得．我想上面的测试表明，udatetime的性能优化是值得的．

一个值得关注的测试结果是解析的性能，我认为Arrow 和 Pendulum在解析上比datetime慢是正常的，因为它们需要尝试更多的格式，但是没想到结果是这样的．

如果你经常解析时间字符串，那你需要认真考虑下你要使用的工具了．在解析字符串时，datetime比udatetime慢４倍，Arrow慢16倍，Pendulum慢19倍，Delorean更是慢了20倍．这些库慢的原因一定程度上是因为底层都使用了dateutil．

下面是在Python2.7和Python3.5下面的执行结果

我希望这篇文章清楚地说明了不同库之间的性能差距．你不必重新造轮子，但是你需要思考哪个轮子更合适你．

英文原文：https:///blog/2016/08/04/datetime-vs-Arrow-vs-Pendulum-vs-Delorean-vs-udatetime.html

译者：诗书塞外