我們知道，C++和python各有優缺點，C++可以直接映射到硬件底層，實現高效運行，而python能夠方便地來進行編程，有助于工程的快速實現。
那能不能發揮兩者的優勢將它們結合起來？當然是可以的！有多種方法可以實現它們之間的相互轉換。
鏈接文章中，有提到一個簡單的例子，來教我們如何生成可以被python加載的文件。
但是這只能針對簡單的數據進行封裝，一旦涉及到自定義的類等封裝數據，就需要借助第三方庫來幫助更好實現。
比如numpy與C++的數據接口。
這里對python調用C++生成的pyd(so/dll)文件進行進一步的探索。
1.首先進行如下配置，在VC++目錄中包含python和numpy的文件目錄：
配置為Release平臺，不然numpy的頭文件無法被包含，導致編譯器鏈接出錯。
特別要注意的一點是用cmd生成pyd文件時，VS2013可能要輸入： SET VS90COMNTOOLS=%VS120COMNTOOLS%（每次重新打開cmd窗口運行pythonsetup.py build的時候都要輸入一次）才能生成成功。
2.理解python調用C++的數據交互過程：
Python中的代碼通過CPython等將語句解釋為C/C++語言，然后編譯器調用binding入口函數，將傳進來的PyObject*參數通過PyFloat_AsDouble()等轉換成C/C++變量。
這些作為輸入變量傳進已經寫好的C++函數，調用該函數，返回C++結果。最后反過來，將C/C++變量轉成CPython可以識別的PyObject*對象返回給python編譯器（如函數PyFloat_FromDouble()），完成python到C++的調用。
當C/C++里面的輸入變量或者返回值都不是基本類型時，比如自定義的類，那我們同樣要按照類里面定義數據的方式以數據的方式來對應改成python能識別的基本類型的組合。
以Mat和numpy的array對象相互轉換為例：
//以Mat的allocator作為基類，Numpy的Allocator作為繼承類
//這樣可以用派生對象指針對基類數據進行操作
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 dims - 1; i++ )
step[i] = (size_t)_strides[i];
step[dims-1] = CV_ELEM_SIZE(type);
u->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( 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);
}
//確保當前使用python的C API是線程安全的
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::AutoBuffernpy_intp> _sizes(dims + 1);
for( i = 0; i dims; i++ )
_sizes[i] = sizes[i];
if( cn > 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;
}
}
//基類指針，調用allocate函數進行內存分配
const MatAllocator* stdAllocator;
};
上面是先構造好能夠相互交互的allocator。
//將PyObject的特性幅值給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];
}
}
//....
//這一步直接用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();
上面是將PyObject對象轉為Mat的部分代碼，具體可以參考opencv的cv2.cpp文件：..\OpenCV\sources\modules\python\src2
//將Mat轉換為PyObject*
template>
PyObject* pyopencv_from(const Mat m)
{
if( !m.data )
Py_RETURN_NONE;
Mat temp, *p = (Mat*)m;
//確保數據拷貝不會對原始數據m產生破壞
if(!p->u || p->allocator != g_numpyAllocator)
{
temp.allocator = g_numpyAllocator;
ERRWRAP2(m.copyTo(temp));
p = temp;
}
//將Mat封裝好的userdata指針轉給Pyobject*
PyObject* o = (PyObject*)p->u->userdata;
//引用計數器加一
Py_INCREF(o);
return o;
}
3.不是所有C++的語法都能轉為python可調用的pyd文件
一個很重要的知識點是，pyd文件跟dll文件非常相似，所以生成dll比較困難的C++代碼同樣難以生成pyd，C++跟python編譯器各自編譯特性的區別也會使得轉換存在困難，比如C++的動態編譯。
下面是可以進行相互轉換的C++特性（可以用swig生成）：
類；構造函數和析構函數；虛函數；（多重）公有繼承；
靜態函數；重載（包括大多數操作符重載）；引用；
模板編程（特化和成員模板）；命名空間；默認參數；智能指針。
下面是不能或者比較困難進行轉換的C++特性：
嵌套類；特定操作符的重載比如new和delete。
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。
您可能感興趣的文章:- python中Task封裝協程的知識點總結
- Python自動化測試PO模型封裝過程詳解
- Python面向對象封裝繼承和多態示例講解
- Python如何實現Paramiko的二次封裝
- 使用Python封裝excel操作指南
- python excel和yaml文件的讀取封裝
- python 使用paramiko模塊進行封裝，遠程操作linux主機的示例代碼
- Python之根據輸入參數計算結果案例講解
