Rust in Python oder die Rustification von Python

In der dynamischen Landschaft der Softwareentwicklung begegnen uns fast täglich neue Programmiersprachen, Frameworks und Tools, die unsere Arbeit als Entwicklerinnen und Entwickler effizienter, schneller und sicherer machen sollen. Zwei dieser Sprachen, die in letzter Zeit großen Einfluss gewonnen haben, sind Python und Rust.

In früheren Blog-Beiträgen habe ich die Vorzüge von Rust und das Konzept des kompletten Umstiegs auf Rust ausführlich diskutiert. Hier möchte ich einen Schritt weiter gehen und mich auf die Integration dieser beiden wichtigen Sprachen konzentrieren.

Es stellt sich jedoch die Frage, warum wir uns mit diesem Thema beschäftigen sollten. Python ist bekannt für seine leichte Erlernbarkeit und die schnelle Entwicklung von Anwendungen, stößt aber insbesondere bei leistungsintensiven Anforderungen an seine Grenzen. Rust hingegen bietet hohe Sicherheit und Performance, erfordert aber eine steilere Lernkurve. Die Kombination dieser beiden Sprachen könnte uns das Beste aus beiden Welten bieten: die Einfachheit und Produktivität von Python kombiniert mit der Leistungsfähigkeit und Sicherheit von Rust.

In diesem Blog-Beitrag werden wir uns eingehend damit beschäftigen, wie wir Rust in Python integrieren können. Wir werden einen Blick auf die verfügbaren Tools und Bibliotheken werfen, ihren Einsatz in realen Projekten analysieren und die Vor- und Nachteile dieser Integration diskutieren.

Warum Rust in Python nutzen?

Bevor wir in die technischen Details einsteigen, fragt ihr euch vielleicht: Warum sollte ich überhaupt Rust in Python einbinden? Die Antwort liegt in den einzigartigen Stärken, die Rust in die Python-Welt einbringen kann.

Leistungssteigerung

Python ist bekannt für seine leicht verständliche Syntax und seine ausgezeichnete Lesbarkeit. Allerdings ist es nicht besonders leistungsfähig, vor allem im Vergleich zu kompilierten Sprachen wie Rust. Wenn Sie Code schreiben, der viel Rechenleistung benötigt (wie Datenanalyse oder maschinelles Lernen), könnte die Integration von Rust eine signifikante Leistungssteigerung bringen.

Speichersicherheit

Rust wurde mit einem starken Fokus auf Speichersicherheit entwickelt. Im Gegensatz zu Python, das eine automatisierte Speicherbereinigung (Garbage Collection) verwendet, ermöglicht Rust den Entwicklerinnen und Entwicklern eine feinere Kontrolle über die Speicherzuweisung. Dies kann zu einem effizienteren Code führen, der weniger anfällig für Speicherlecks oder andere Speicherfehler ist.

Concurrency und Parallelität

Der Python Global Interpreter Lock (GIL) ist ein Mechanismus in der CPython-Implementierung von Python, der verhindert, dass mehrere native Threads gleichzeitig Python-Bytecodes ausführen, was die Parallelität auf Multiprozessorsystemen einschränkt. Rust hingegen bietet mächtige und sichere Abstraktionen für die parallele und nebenläufige Programmierung, was zu einer höheren Effizienz auf Multicore-Prozessoren führen kann.

Wie kann man Rust in Python einbinden?

Es gibt verschiedene Möglichkeiten, Rust in Python-Projekte zu integrieren. Eine gängige Methode ist die Verwendung spezieller Bibliotheken, die eine Brücke zwischen den beiden Sprachen schlagen. Hier einige Beispiele:

PyO3

PyO3 ist wahrscheinlich die beste und bekannteste Bibliothek für die Integration von Rust in Python. Sie ermöglicht die Erstellung und Manipulation von Python-Objekten in Rust und umgekehrt. PyO3 bietet auch Unterstützung für die Erstellung von Python-Erweiterungsmodulen in Rust. Die folgende Abbildung zeigt ein Beispiel für die Annotationen, mit denen Funktionen und Module in Rust geschrieben und in Python verwendet werden können.

maturin

maturin ist ein Build-Tool, das speziell für PyO3 entwickelt wurde, um den Prozess der Erstellung und Verteilung von Python-Erweiterungsmodulen in Rust zu vereinfachen. Um Rust in Python zu integrieren, muss zunächst der entsprechende Rust-Code geschrieben und anschließend in eine Bibliothek kompiliert werden, die von Python aus aufgerufen werden kann. Die einzelnen Schritte können je nach gewählter Bibliothek und Anwendungsfall variieren.

rust-cpython

Eine weitere Bibliothek ist rust-cpython. Wie PyO3 ermöglicht rust-cpython die Interaktion zwischen Python und Rust, hat aber einen etwas anderen Fokus. Während PyO3 versucht, die Python-Interoperabilität so rustisch wie möglich zu gestalten, konzentriert sich rust-cpython mehr auf die Bereitstellung einer Python-ähnlichen API. Dieses Projekt wurde jedoch inzwischen eingestellt und es wird empfohlen, stattdessen PyO3 zu verwenden.

Beispiele für Rust in Python-Projekten

Hugging Face Tokenizers

Tokenizers ist eine Python-Bibliothek, die eine effiziente Tokenisierung von natürlichsprachlichen Texten ermöglicht. Sie wird von zahlreichen Bibliotheken zur Verarbeitung natürlicher Sprache verwendet, darunter Hugging Face Transformers und spaCy. Tokenizers verwendet die Programmiersprache Rust, um seine performance-kritischen Komponenten wie Byte-Level-Kodierung und -Dekodierung zu implementieren. Aleph Alpha hat seinen Tokenizer ebenfalls in Rust geschrieben: https://docs.rs/aleph-alpha-tokenizer/latest/aleph_alpha_tokenizer/. Die Verwendung von Rust ermöglicht es Tokenizers, eine hohe Performance bei gleichzeitiger Speichersicherheit zu erreichen. Obwohl Tokenizers in Python geschrieben ist, wird Rust nur für die leistungskritischen Teile verwendet. Dieser Ansatz kombiniert die Flexibilität und Einfachheit von Python mit der Geschwindigkeit und Sicherheit von Rust und ermöglicht so eine effiziente und sichere Verarbeitung von natürlichen Sprachtexten.

Beispiel für die Verwendung in Python, dahinter befindet sich aber eine Rust implementierung:

	
	output = tokenizer.encode("Hello, y'all! How are you ?? ?")
	print(output.tokens)
	# ["[CLS]", "Hello", ",", "y", "'", "all", "!", "How", "are", "you", "[UNK]", 
	"?", "[SEP]"]
	

Ruff

In den letzten Jahren hat die JavaScript-Entwicklergemeinschaft ein bemerkenswertes Engagement für die Verbesserung der Ausführungsgeschwindigkeit ihrer Software gezeigt. Es ist an der Zeit, dass die Python-Entwicklergemeinschaft eine ähnliche strategische Ausrichtung in Betracht zieht. Werkzeuge wie "swc", "esbuild", "Bun" und "Rome", die in leistungsfähigeren Programmiersprachen wie Rust, Go und Zig entwickelt wurden, haben die Leistungsfähigkeit der JavaScript-Toolkette erheblich verbessert. Diese konzertierte Anstrengung, die oft als "Rust-Zertifizierung" der JavaScript-Toolchain bezeichnet wird, deutet auf das enorme Potenzial hin, das auch Python-Tools zur Leistungssteigerung nutzen könnten.

Charlie Marsh bestätigte dies durch die Präsentation von "Ruff", einem in Rust geschriebenen Python-Linter. Ruff erwies sich als deutlich schneller als vergleichbare Tools: etwa 150-mal schneller als Flake8 auf macOS (oder etwa 25-mal schneller, wenn Flake8-Multiprocessing aktiviert ist), etwa 75-mal schneller als pycodestyle und etwa 50-mal schneller als pyflakes und pylint. Obwohl Ruff in Rust entwickelt wurde, integriert es sich nahtlos in die Python-Umgebung und kann wie jedes andere Python-basierte Kommandozeilen-Tool mit dem Befehl "pip install" installiert werden. Dies ist auf die Verwendung von Python-Bindungen in Ruff zurückzuführen.

Die Ergebnisse von Ruff unterstreichen die Vorteile des hybriden Einsatzes von Rust und Python und eröffnen neue Wege zur Optimierung der Python-Toolchain. Sie bestätigen die Idee, dass die "Rustifizierung", die in der JavaScript-Community bereits zu beeindruckenden Leistungssteigerungen geführt hat, auch in der Python-Community an Bedeutung gewinnen könnte.

Sentry

Sentry, ein Anbieter von Fehlerüberwachungsdiensten, stieß bei der Verarbeitung von Source Maps in Python auf Leistungsprobleme, die zu einem Leistungsengpass führten. Nach einer gründlichen Untersuchung der Leistungsprobleme beschloss das Sentry-Team, Python durch Rust zu ersetzen, da Rust eine bessere Leistung bot.

Um diese Verbesserung zu erzielen, entwickelte Sentry ein Rust-Modul zur Optimierung der Source Map-Verarbeitung. Dieses Modul wurde über eine spezielle Python-Bibliothek namens 'libsourcemap' in die Python-Codebasis integriert. Die Bibliothek 'libsourcemap' dient als Schnittstelle zur Rust-Implementierung und ermöglicht die Nutzung von Rust in der Python-Umgebung. Dies wird durch die Verwendung von CFFI und C-Headern erreicht, die zur Laufzeit eine dynamisch geteilte Bibliothek erzeugen.

Die Implementierung von Rust führte zu beeindruckenden Ergebnissen. Die CPU-Auslastung und die Verarbeitungszeiten für Source Maps wurden erheblich reduziert, wobei die durchschnittliche Verarbeitungszeit auf ca. 400 Millisekunden gesenkt wurde. Dadurch konnte die Gesamtverarbeitungszeit für alle Ereignisse auf etwa 300 Millisekunden reduziert werden.

Trotz der Integration von Rust bleibt Sentry der Python-Community treu. Dieses Projekt ist jedoch ein eindrucksvolles Beispiel dafür, wie die richtige Wahl der Werkzeuge für spezifische Aufgaben zu erheblichen Leistungssteigerungen führen kann. Bemerkenswert ist, dass dieser Blogbeitrag aus dem Jahr 2016 stammt und die Integration von Rust damals noch komplizierter war. Seitdem hat sich die Integration von Rust in Python durch Fortschritte wie pyo3 deutlich vereinfacht. Weitere Informationen finden sich hier: https://blog.sentry.io/fixing-python-performance-with-rust/.

Nachteile der Integration von Rust in Python

Natürlich hat die Integration von Rust in Python auch Nachteile, die ich kurz erläutern möchte.

• Lernkurve: Rust hat eine steilere Lernkurve als Python, besonders wenn es um Konzepte wie Ownership und Lebensdauer geht. Dies kann die Entwicklungszeit verlängern, besonders wenn Ihr Team noch nicht mit Rust vertraut ist.
• Komplexität: Die Integration von Rust in Python kann die Komplexität Ihres Projekts erhöhen. Sie müssen nicht nur beide Sprachen beherrschen, sondern auch die Werkzeuge und Techniken, die für die Interoperabilität zwischen ihnen erforderlich sind.
• Build-Prozess: Der Build-Prozess für Rust ist komplexer als der für Python. Der Rust-Code muss kompiliert und dann in eine Form gebracht werden, die von Python verwendet werden kann. Dies kann zu zusätzlichen Herausforderungen in Bezug auf Build-Automatisierung und Abhängigkeitsmanagement führen.
• Kleinere Community: Während die Rust-Community wächst und es immer mehr qualitativ hochwertige Crates (Rust-Bibliotheken) gibt, hat Python aufgrund seiner längeren Geschichte und größeren Community immer noch einen Vorteil, wenn es um die Verfügbarkeit von Drittanbieter-Bibliotheken geht.

Die Entscheidung, Rust in ein Python-Projekt zu integrieren, sollte daher auf einer sorgfältigen Abwägung dieser Vor- und Nachteile basieren. Es ist wichtig, die spezifischen Anforderungen und den Kontext Ihres Projekts zu berücksichtigen und zu entscheiden, ob die Vorteile die zusätzliche Komplexität und die potenziellen Herausforderungen überwiegen.

Fazit

Die Integration von Rust in Python-Projekte kann eine effektive Methode sein, um Leistung, Sicherheit und Parallelität zu verbessern. Diese Integration ist jedoch nicht ohne Herausforderungen. Rust hat eine steilere Lernkurve und die Integration in Python kann die Komplexität Ihres Projekts erhöhen. Außerdem kann der Build-Prozess komplexer werden und es stehen möglicherweise weniger Bibliotheken zur Verfügung.

Letztendlich hängt die Entscheidung, Rust in Ihr Python-Projekt zu integrieren, von Ihren spezifischen Anforderungen und dem Kontext des Projekts ab. Wenn Performance, Speichersicherheit und Nebenläufigkeit von entscheidender Bedeutung sind und man bereit ist, in das Erlernen einer neuen Sprache und das Navigieren durch zusätzliche Komplexität zu investieren, könnte Rust eine wertvolle Ergänzung zu Ihrem Python-Toolkit sein.

Ihr möchtet mehr über spannende Themen aus der adesso-Welt erfahren? Dann werft auch einen Blick in unsere bisher erschienenen Blog-Beiträge.

Auch interessant:

• Einführung in die Programmiersprache Rust
• Umschreibung in Rust