지식
Python

CPython과 PyPy: Python 구현체의 세계

CPython이 표준인 이유, PyPy의 JIT 가속 원리, Jython과 IronPython의 용도를 설명합니다. Python 구현체를 선택하는 기준을 알아봅니다.

· 10 min read · PALDYN Team

지난 글에서 Python 2와 3의 차이를 살펴봤다. 그런데 “Python”이라고 할 때 실제로 어떤 프로그램을 가리키는 걸까? Python은 언어 명세(language specification)이고, 그 명세를 구현한 프로그램이 따로 있다. 마치 ECMAScript가 JavaScript의 명세이고 V8, SpiderMonkey 등이 그 구현체인 것처럼. Python의 대표적인 구현체를 이해하면 언어의 동작 원리와 성능에 대한 이해가 깊어진다.

CPython: 표준 참조 구현체

대부분의 개발자가 사용하는 “Python”은 CPython이다. python.org에서 다운로드하는 것이 CPython이고, 대부분의 리눅스 배포판에 기본 포함된 Python도 CPython이다.

왜 CPython이냐고 물으면, “C로 작성된 Python 인터프리터”이기 때문이다. Python 언어 런타임 자체가 C 언어로 구현되어 있다.

CPython 실행 파이프라인

CPython이 hello.py를 실행할 때 내부적으로 거치는 단계를 살펴보자.

CPython 실행 파이프라인

# hello.py
print("Hello, World!")

이 코드가 실행되는 과정:

  1. Tokenizer (어휘 분석): 소스 코드를 토큰으로 쪼갠다. print, (, "Hello, World!", ) 등
  2. Parser (구문 분석): 토큰들로 AST(Abstract Syntax Tree, 추상 구문 트리)를 생성한다
  3. Compiler: AST를 바이트코드(bytecode)로 변환한다
  4. PVM (Python Virtual Machine): 바이트코드를 한 줄씩 실행한다
# 바이트코드 확인
import dis

def greet(name):
    return f"Hello, {name}!"

dis.dis(greet)
# LOAD_GLOBAL  f-string
# LOAD_FAST    name
# FORMAT_VALUE ...
# RETURN_VALUE

dis 모듈로 함수의 바이트코드를 직접 볼 수 있다. 이 바이트코드가 __pycache__ 폴더의 .pyc 파일에 캐시된다. 소스가 바뀌지 않으면 다음 실행 시 파싱 없이 캐시된 바이트코드를 바로 실행한다.

GIL: CPython의 가장 유명한 제약

CPython의 가장 논란이 많은 특징은 GIL(Global Interpreter Lock, 전역 인터프리터 잠금)이다.

GIL은 한 번에 하나의 스레드만 Python 바이트코드를 실행할 수 있도록 하는 잠금 장치다. 멀티코어 CPU가 있어도 Python 스레드는 동시에 실행되지 않는다.

import threading
import time

def cpu_task():
    count = 0
    for _ in range(10_000_000):
        count += 1
    return count

# 단일 스레드: 2초
start = time.time()
cpu_task()
cpu_task()
print(f"순차: {time.time() - start:.2f}s")

# 멀티 스레드: GIL 때문에 여전히 ~2초
start = time.time()
t1 = threading.Thread(target=cpu_task)
t2 = threading.Thread(target=cpu_task)
t1.start(); t2.start()
t1.join(); t2.join()
print(f"병렬: {time.time() - start:.2f}s")
# GIL 때문에 실제로 병렬 실행이 안 됨

GIL이 존재하는 이유는 레퍼런스 카운팅 기반 메모리 관리 때문이다. CPython은 객체의 참조 횟수를 추적해 0이 되면 해제하는데, 이 카운터를 여러 스레드가 동시에 수정하면 메모리 오염이 발생할 수 있다. GIL이 이 문제를 단순하게 해결한다.

GIL의 영향을 받지 않는 경우도 있다. I/O 작업(네트워크, 파일 읽기쓰기) 중에는 GIL이 해제된다. 웹 서버처럼 I/O 중심 작업에서는 멀티스레딩이 효과적이다.

Python 3.12부터 GIL을 비활성화할 수 있는 실험적 모드가 도입되었고, 3.13에서는 정식으로 “No-GIL” 빌드를 선택할 수 있다. Python의 멀티코어 활용이 근본적으로 바뀔 수 있는 중요한 변화다.

PyPy: JIT 컴파일러를 품은 Python

PyPy는 “RPython으로 작성된 Python 인터프리터”다. 일반적인 Python 코드보다 훨씬 빠른 실행을 목표로 한다.

Python 구현체 비교

JIT(Just-In-Time) 컴파일이란?

CPython은 바이트코드를 항상 인터프리터가 해석해서 실행한다. PyPy는 다르다. 코드를 실행하다가 “이 부분은 자주 실행되는구나”라고 판단하면, 그 부분을 실시간으로 기계어(native code)로 컴파일한다. 이것이 JIT이다.

# 이런 루프는 PyPy에서 극적으로 빠르다
def fibonacci(n):
    a, b = 0, 1
    for _ in range(n):
        a, b = b, a + b
    return a

# CPython: ~3초
# PyPy: ~0.3초 (약 10배)
result = fibonacci(10_000_000)

반복문이 많고 순수 Python 코드가 많을수록 PyPy의 이점이 크다. 벤치마크에 따라 CPython 대비 2~10배 빠른 경우도 있다.

PyPy의 한계

PyPy가 만능은 아니다.

C 확장 모듈 호환성: NumPy, pandas 같은 라이브러리는 CPython C API로 작성된 C 확장 모듈을 사용한다. PyPy는 자체 C API 구현(cpyext)이 있지만 호환성이 완전하지 않다. PyPy로 NumPy를 쓰는 것은 가능하지만 성능이 기대만큼 나오지 않을 수 있다.

워밍업 시간: JIT는 코드를 실행하면서 최적화 기회를 찾는다. 즉, 실행 초반에는 빠르지 않다가 점점 빨라진다. 짧게 실행되고 끝나는 스크립트는 PyPy가 오히려 느릴 수 있다.

메모리 사용: JIT 컴파일된 코드와 원래 바이트코드를 모두 메모리에 유지하기 때문에 CPython보다 메모리를 더 사용한다.

PyPy가 빛을 발하는 상황은 수치 계산이 많은 순수 Python 코드, 장시간 실행되는 서버, C 확장 의존도가 낮은 코드다.

Jython: JVM 위의 Python

Jython은 Java로 구현된 Python 인터프리터다. Python 코드를 JVM 바이트코드로 컴파일해서 JVM 위에서 실행한다.

# Jython에서 Java 라이브러리 직접 사용
from java.util import ArrayList

items = ArrayList()
items.add("Python")
items.add("Jython")
print(items.size())  # 2

Java 생태계와 Python 코드를 통합해야 하는 경우에 유용하다. Android 앱에서 Python 스크립트를 실행하거나, Java 기반 서버에 Python 비즈니스 로직을 추가할 때 사용된다.

단점은 최신 Python 버전 지원이 느리다는 것이다. Jython은 현재 Python 2.7 수준에 머물러 있어 Python 3 생태계를 사용할 수 없다.

IronPython: .NET의 Python

IronPython은 C#으로 작성되어 .NET 런타임에서 실행된다. .NET 라이브러리를 Python 코드에서 직접 사용할 수 있다.

# IronPython에서 .NET 라이브러리 사용
import clr
clr.AddReference("System.Windows.Forms")
from System.Windows.Forms import Form, Button

form = Form()
form.Text = "IronPython 윈도우"
button = Button()
button.Text = "클릭"
form.Controls.Add(button)

C#, F# 코드와 Python을 혼용하거나 .NET 생태계의 GUI, 데이터 처리 라이브러리를 Python에서 쓸 때 유용하다.

MicroPython: 마이크로컨트롤러의 Python

MicroPython은 메모리가 수십~수백 KB에 불과한 마이크로컨트롤러(ESP32, RP2040 등)에서 실행되도록 설계된 Python 서브셋이다.

# MicroPython으로 LED 깜빡이기 (ESP32)
from machine import Pin
import time

led = Pin(2, Pin.OUT)

while True:
    led.value(1)   # LED on
    time.sleep(0.5)
    led.value(0)   # LED off
    time.sleep(0.5)

Python 표준 라이브러리의 일부만 지원하지만, 임베디드 환경에서 Python 문법으로 하드웨어를 제어할 수 있다는 점이 강력하다.

어느 구현체를 선택해야 하는가?

대부분의 상황에서 답은 CPython이다. 생태계 호환성이 가장 넓고, 공식 지원이 활발하며, 거의 모든 라이브러리가 CPython을 기반으로 만들어졌다.

PyPy는 다음 경우에 고려한다. 수치 계산 중심의 코드를 C 확장 없이 최대한 빠르게 실행해야 할 때, 또는 장시간 실행되는 서버에서 성능을 높이고 싶을 때다. 웹 프레임워크 중에서는 Tornado, Bottle 등이 PyPy 호환성이 좋다.

Jython과 IronPython은 각각 JVM/.NET 생태계와의 통합이 필요한 특수한 상황에서 선택한다.

다음 글에서는 CPython을 설치하고 버전을 관리하는 도구인 pyenv를 다룬다. 여러 Python 버전을 동시에 관리해야 하는 현실적인 문제를 pyenv가 어떻게 해결하는지 살펴볼 것이다.

지난 글: Python 2 vs 3: 왜 모두가 3으로 넘어왔는가

다음 글: pyenv로 Python 버전 마스터하기


읽어주셔서 감사합니다. 😊