<p>传统上,Python对C来说太大的“big-endian C布局中的数字”没有太多用处(如果您处理的是2字节、4字节或8字节的数字,那么<code>struct.unpack</code>就是答案)</p>
<p>但是,有足够多的人厌倦了没有一种明显的方法可以做到这一点,Python 3.2添加了一个方法<a href="https://docs.python.org/3/library/stdtypes.html#int.from_bytes">^{<cd2>}</a>来实现您想要的功能:</p>
<pre><code>int.from_bytes(b, byteorder='big', signed=False)
</code></pre>
<p>不幸的是,如果您使用的是较旧版本的Python,则没有此功能。那么,你有什么选择?(除了明显的一个:更新到3.2,或者更好的3.4…)</p>
<hr/>
<p>首先,这是你的密码。我认为<code>binascii.hexlify</code>是一种比<code>.encode('hex')</code>更好的拼写方法,因为“encode”对于字节字符串上的方法(与Unicode字符串相反)总是显得有点奇怪,而且实际上在Python 3中已经被禁止了。但在其他方面,我觉得它很容易阅读和理解。它应该很快,是的,它必须创建一个中间字符串,但是它在C中执行所有的循环和算术(至少在C Python中),这通常比Python快一到两个数量级。除非您的<code>bytearray</code>太大,以至于分配字符串本身会很昂贵,否则我不会担心这里的性能。</p>
<p>或者,你可以做一个循环。但这将更加冗长,而且,至少在CPython中,要慢得多。</p>
<p>您可以尝试消除隐式循环的显式循环,但要做到这一点,最明显的函数是<code>reduce</code>,社区中的一部分人认为它不是Pythonic,当然它需要为每个字节调用一个函数。</p>
<p>您可以将循环或<code>reduce</code>展开,方法是将其分成8个字节的块并在<code>struct.unpack_from</code>上循环,或者只执行一个大的<code>struct.unpack('Q'*len(b)//8 + 'B' * len(b)%8)</code>并在其上循环,但这会使其可读性大大降低,而且可能不会更快。</p>
<p>你可以使用NumPy…但是如果你要大于64位或者128位,它最终会把所有东西都转换成Python对象。</p>
<p>所以,我认为你的回答是最好的选择。</p>
<hr/>
<p>下面是一些将其与最明显的手动转换进行比较的计时:</p>
<pre><code>import binascii
import functools
import numpy as np
def hexint(b):
return int(binascii.hexlify(b), 16)
def loop1(b):
def f(x, y): return (x<<8)|y
return functools.reduce(f, b, 0)
def loop2(b):
x = 0
for c in b:
x <<= 8
x |= c
return x
def numpily(b):
n = np.array(list(b))
p = 1 << np.arange(len(b)-1, -1, -1, dtype=object)
return np.sum(n * p)
</code></pre>
<hr/>
<pre><code>In [226]: b = bytearray(range(256))
In [227]: %timeit hexint(b)
1000000 loops, best of 3: 1.8 µs per loop
In [228]: %timeit loop1(b)
10000 loops, best of 3: 57.7 µs per loop
In [229]: %timeit loop2(b)
10000 loops, best of 3: 46.4 µs per loop
In [283]: %timeit numpily(b)
10000 loops, best of 3: 88.5 µs per loop
</code></pre>
<p>在Python3.4中进行比较:</p>
<pre><code>In [17]: %timeit hexint(b)
1000000 loops, best of 3: 1.69 µs per loop
In [17]: %timeit int.from_bytes(b, byteorder='big', signed=False)
1000000 loops, best of 3: 1.42 µs per loop
</code></pre>
<p>所以,你的方法还是很快</p>