一、背景
Python语言被广泛使用，在数据处理、机器学习等领域有统治地位。Python作为解释型语言，其主要优势就是跨平台、代码简洁，然而这也带来负面的影响，那就是解释型语言的运行效率低。因此，针对Python语言的编译运行有很多解决方案，其中一种是Cython。Cython可以将Python代码转换为C语言并编译为动态链接库，然后Python代码中可直接调用这些动态链接库。如此虽然提升了速度，但也带来一系列问题。一是编译后的动态链接库失去了跨平台特性，每个硬件架构平台（如X86_64和ARM）、不同操作系统版本（Glibc版本差异）的动态链接库是不通用的，都需要重新编译。二是要达到和C相近的性能，Python代码需要做优化才可以完全按C语言编译执行，由此带来代码改动的工作量，即需要在代码中按照Cython语言的要求对变量添加类型声明。如果不做这些优化，那么使用Cython比直接运行原Python效率提升有限，有提升但没有上升一个数量级，远不及C的运行速度。
虽然有着这两点缺点，不过使用Cython还有一个额外的收获，那就是编译后的动态链接库可封装代码，在一定程度上起到保护源代码的作用，让原始代码不再直接可读。由于反编译C代码动态链接库的门槛较高，因此这个方式在一定程度上提升了获取源代码的难度，实现了比较初步的源代码保护。因此本文不探讨Cython编译后的加速效果，而是介绍编译后保护代码明文的效果。
本文即讲述这种场景。准备一个访问存储桶的代码作为示例，假设这个业务场景需要列存储桶目录，并进行了一定的业务逻辑处理例如过滤特定文件并显示，然后将其命名为file_access.py，其中包含函数list_my_file。假设这个程序需要被保护，稍后将被编译为file_access.so。在运行环境中，只需要import引用这个动态链接库，即可调用其中的函数。现在开始。
二、编译环境
文本以Ubuntu 24.04 LTS环境为例。CentOS或者Amazon Linux同理替换下包管理，从apt改为yum即可。
1、开发环境需要的依存性包
开发环境需要有Python的pip工具，还要安装Linux下的GCC编译环境。运行环境不需要安装。执行如下命令。
apt install awscli pipx gcc cython3 -y准备依赖环境，安装如下扩展库。因为本demo是访问AWS S3存储桶，因此开发环境还需要安装boto3。运行环境就不用装这些库了，因为逻辑都打包到动态链接库了。
pipx install boto3 cython setuptools注：以上用的命令是pipx，这是因为Ubuntu系统采用系统级别的Python包管理，也就是Python-pip3，要安装任何扩展包都要通过OS级别的apt。如果不希望走系统的apt，那么可以绕开系统的apt包管理，直接在Python层面安装扩展库，就仿佛MacOS和其他Linux一样。因此这里使用了pipx，就可以直接安装了。
2、开发环境业务代码准备
环境安装好之后，准备业务代码如下，将其保存为file_access.py。
import boto3
def list_my_file():
s3 = boto3.client('s3')
response = s3.list_buckets()
bucket_list = [bucket['Name'] for bucket in response['Buckets']]
# you may add your code here
return(bucket_list)
if __name__ == "__main__":
result=list_my_file()
print(result)以上文件保存为file_access.py。以上代码会检查~/.aws/credentials获取AKSK，然后正常访问AWS。本机选择AWS S3服务的调用，使用AWS SDK的boto3库，其主要延迟发生在网络上访问S3 Endpoint，因此是否被Cython编译为动态链接库，还是直接运行Python解释型脚本，其性能基本上没有提升。本文选这个逻辑来模拟业务代码，主要是为了演示Cython编译后可以保护源代码，让运行环境不能直接看到原始代码的明文。
现在执行这个代码，验证业务代码编写正常。接下来，就是要实现对业务逻辑file_access.py代码的保护，这个文件将被编译为动态链接库。
3、编译环境
准备另一个文件名叫setup.py，内容如下。
from setuptools import setup
from Cython.Build import cythonize
setup(ext_modules = cythonize("file_access.py"))在这个文件中，传递给cythonize函数的是要编译的文件名。然后将file_access.py和setup.py放在同一个目录下，执行如下命令：
python3 setup.py build_ext --inplace由此，即可在当前目录下，获得名为file_access.cpython-312-x86_64-linux-gnu.so的动态链接库。
最后，将file_access.cpython-312-x86_64-linux-gnu.so复制出来，上传到另一台作为运行环境的机器上（注意需要相同硬件架构、相同OS版本）。
三、运行环境
由于编译为C代码需要环境兼容，因此运行环境也需要相同硬件架构、相同版本的操作系统，主要是Glibc版本相同即可运行。
在运行环境上，只需要有Python即可，无须安装Cython，也无须安装运行实际业务代码需要的Python3 AWS SDK（即不用pip install boto3）。因为运行实际业务代码file_access.py的过程已经被封装到动态连结库了，所以就不需要引用相关库了（即调用代码不用import boto3）。
准备一个调用动态连结库的代码，开头部分引用这个动态连结库，并引用里边预先定义好的函数list_my_file。将其保存为run.py，其内容如下。
from file_access import list_my_file
result=list_my_file()
print(result)将以上代码保存为run.py。确保file_access.cpython-312-x86_64-linux-gnu.so和run.py在同一个目录下之后，运行如下命令：
python3 run.py可看到程序正常运行。
四、结论
这里需要注意，本演示中模拟业务逻辑部分的代码使用了AWS S3的SDK，其主要运行耗时在与AWS S3的Endpoint建立连接的网络通信方面，因此这样代码被编译后，没有什么加速效果。Cython加速效果最好的是用于无外部网络交互、100%在本机执行的Python数学运算类代码，它们被编译为C将会真正获得巨大的性能提升。另外要完全让所有代码都以C方式运行，还需要调整代码。有兴趣可以继续研究通过开启Cython的cythonize命令的Annonate=True标签，将编译过程输出为HTML格式的文件，并追踪动态连结库中以C运行的、以及Python运行的部分，可进一步提升运行速度。
以上过程可以看到，通过Cython将Python程序打包为动态连结库，即降低了在运行环境上的各种依赖包的复杂度，又在一定程度上保护了原始代码内容。如果没有一定的反编译技巧，不能立刻获取原始代码，实现了代码保护的目的。
五、参考文档
Cython官网文档