这篇文章主要介绍了Python 调用C++封装的进一步探索交流，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
我们知道，C++和python各有优缺点，C++可以直接映射到硬件底层，实现高效运行，而python能够方便地来进行编程，有助于工程的快速实现。
那能不能发挥两者的优势将它们结合起来？当然是可以的！有多种方法可以实现它们之间的相互转换。
链接文章中，有提到一个简单的例子，来教我们如何生成可以被python加载的文件。
但是这只能针对简单的数据进行封装，一旦涉及到自定义的类等封装数据，就需要借助第三方库来帮助更好实现。
比如numpy与C++的数据接口。
这里对python调用C++生成的pyd(so/dll)文件进行进一步的探索。
1.首先进行如下配置，在VC++目录中包含python和numpy的文件目录：
配置为Release平台，不然numpy的头文件无法被包含，导致编译器链接出错。
特别要注意的一点是用cmd生成pyd文件时，VS2013可能要输入： SET VS90COMNTOOLS=%VS120COMNTOOLS%（每次重新打开cmd窗口运行pythonsetup.py build的时候都要输入一次）才能生成成功。
2.理解python调用C++的数据交互过程：
Python中的代码通过CPython等将语句解释为C/C++语言，然后编译器调用binding入口函数，将传进来的PyObject*参数通过PyFloat_AsDouble()等转换成C/C++变量。
这些作为输入变量传进已经写好的C++函数，调用该函数，返回C++结果。最后反过来，将C/C++变量转成CPython可以识别的PyObject*对象返回给python编译器（如函数PyFloat_FromDouble()），完成python到C++的调用。
当C/C++里面的输入变量或者返回值都不是基本类型时，比如自定义的类，那我们同样要按照类里面定义数据的方式以数据的方式来对应改成python能识别的基本类型的组合。
以Mat和numpy的array对象相互转换为例：
//以Mat的allocator作为基类，Numpy的Allocator作为继承类 //这样可以用派生对象指针对基类数据进行操作 class NumpyAllocator : public MatAllocator { public: NumpyAllocator() { stdAllocator = Mat::getStdAllocator(); } ~NumpyAllocator() {} UMatData* allocate(PyObject* o, int dims, const int* sizes, int type, size_t* step) const { UMatData* u = new UMatData(this); u->data = u->origdata = (uchar*)PyArray_DATA((PyArrayObject*) o); npy_intp* _strides = PyArray_STRIDES((PyArrayObject*) o); for( int i = 0; i size = sizes[0]*step[0]; u->userdata = o; return u; } UMatData* allocate(int dims0, const int* sizes, int type, void* data, size_t* step, int flags, UMatUsageFlags usageFlags) const { if( <div style="color:transparent">来源gaodai.ma#com搞##代!^码@网</div>data != 0 ) { CV_Error(Error::StsAssert, "The data should normally be NULL!"); // probably this is safe to do in such extreme case return stdAllocator->allocate(dims0, sizes, type, data, step, flags, usageFlags); } //确保当前使用python的C API是线程安全的 PyEnsureGIL gil; int depth = CV_MAT_DEPTH(type); int cn = CV_MAT_CN(type); const int f = (int)(sizeof(size_t)/8); int typenum = depth == CV_8U ? NPY_UBYTE : depth == CV_8S ? NPY_BYTE : depth == CV_16U ? NPY_USHORT : depth == CV_16S ? NPY_SHORT : depth == CV_32S ? NPY_INT : depth == CV_32F ? NPY_FLOAT : depth == CV_64F ? NPY_DOUBLE : f*NPY_ULONGLONG + (f^1)*NPY_UINT; int i, dims = dims0; cv::AutoBuffer _sizes(dims + 1); for( i = 0; i 1 ) _sizes[dims++] = cn; PyObject* o = PyArray_SimpleNew(dims, _sizes, typenum); if(!o) CV_Error_(Error::StsError, ("The numpy array of typenum=%d, ndims=%d can not be created", typenum, dims)); return allocate(o, dims0, sizes, type, step); } bool allocate(UMatData* u, int accessFlags, UMatUsageFlags usageFlags) const { return stdAllocator->allocate(u, accessFlags, usageFlags); } void deallocate(UMatData* u) const { if(!u) return; PyEnsureGIL gil; CV_Assert(u->urefcount >= 0); CV_Assert(u->refcount >= 0); if(u->refcount == 0) { PyObject* o = (PyObject*)u->userdata; Py_XDECREF(o); delete u; } } //基类指针，调用allocate函数进行内存分配 const MatAllocator* stdAllocator; };
上面是先构造好能够相互交互的allocator。
//将PyObject的特性幅值给size,ndims,type int typenum = PyArray_TYPE(oarr), new_typenum = typenum; int type = typenum == NPY_UBYTE ? CV_8U : typenum == NPY_BYTE ? CV_8S : typenum == NPY_USHORT ? CV_16U : typenum == NPY_SHORT ? CV_16S : typenum == NPY_INT ? CV_32S : typenum == NPY_INT32 ? CV_32S : typenum == NPY_FLOAT ? CV_32F : typenum == NPY_DOUBLE ? CV_64F : -1; //.... int ndims = PyArray_NDIM(oarr); //.... const npy_intp* _sizes = PyArray_DIMS(oarr); const npy_intp* _strides = PyArray_STRIDES(oarr); for ( int i = ndims - 1; i >= 0; --i ) { size[i] = (int)_sizes[i]; if ( size[i] > 1 ) { step[i] = (size_t)_strides[i]; default_step = step[i] * size[i]; } else { step[i] = default_step; default_step *= size[i]; } } //.... //这一步直接用PyObject初始化Mat m m = Mat(ndims, size, type, PyArray_DATA(oarr), step); m.u = g_numpyAllocator.allocate(o, ndims, size, type, step); m.addref();
上面是将PyObject对象转为Mat的部分代码，具体可以参考opencv的cv2.cpp文件：..\OpenCV\sources\modules\python\src2
//将Mat转换为PyObject* template PyObject* pyopencv_from(const Mat& m) { if( !m.data ) Py_RETURN_NONE; Mat temp, *p = (Mat*)&m; //确保数据拷贝不会对原始数据m产生破坏 if(!p->u || p->allocator != &g_numpyAllocator) { temp.allocator = &g_numpyAllocator; ERRWRAP2(m.copyTo(temp)); p = &temp; } //将Mat封装好的userdata指针转给Pyobject* PyObject* o = (PyObject*)p->u->userdata; //引用计数器加一 Py_INCREF(o); return o; }
3.不是所有C++的语法都能转为python可调用的pyd文件
一个很重要的知识点是，pyd文件跟dll文件非常相似，所以生成dll比较困难的C++代码同样难以生成pyd，C++跟python编译器各自编译特性的区别也会使得转换存在困难，比如C++的动态编译。
下面是可以进行相互转换的C++特性（可以用swig生成）：
类；构造函数和析构函数；虚函数；（多重）公有继承；
静态函数；重载（包括大多数操作符重载）；引用；
模板编程（特化和成员模板）；命名空间；默认参数；智能指针。
下面是不能或者比较困难进行转换的C++特性：
嵌套类；特定操作符的重载比如new和delete。
以上就是Python 调用C++封装的进一步探索交流的详细内容，更多请关注gaodaima搞代码网其它相关文章！
转载请注明原文链接：Python 调用C++封装的进一步探索交流
