Python中time与datetime获取毫秒时间的区别

在 Python 中获取毫秒时间，time 模块与 datetime 模块的核心差异在于数据心智模型、底层表示形态与处理目的。time 模块直接对接操作系统底层时钟，以纯数值的 Unix 纪元时间戳（1970年1月1日以来的秒数或纳秒数）为中心，从 Python 3.7 开始提供 time.time_ns() // 1_000_000，能够零浮点误差、纳秒级开销直接产出 13 位整型毫秒戳；而 datetime 模块围绕公历日历构建（年、月、日、时、分、秒、微秒），其原生最小字段仅到微秒（microsecond，0 至 999999），不存在独立的毫秒属性，必须通过整除截断或格式化配合，主要服务于跨时区业务、人类可读日志以及日期跨度运算。

一、数据形态与底层架构的本质区别

很多初学者在编写日志或打点代码时，容易随意混用 time.time() * 1000 与 datetime.now()。虽然二者最终都能导出包含毫秒的表达，但在底层对象形态和内存开销上存在本质差别。

time 模块是面向系统的轻量级封装。调用 time.time() 或 time.time_ns() 时，Python 解释器在 C 语言层直接发起 clock_gettime(CLOCK_REALTIME) 系统调用。它不构建复杂的 Python 业务对象，只返回一个双精度浮点数（秒）或一个长整型数值（纳秒）。这种纯数值模型非常紧凑，非常适合需要极高性能的网络通信序列化或全局唯一分布式 ID（如雪花算法 Snowflake）的毫秒生成。

相比之下，datetime 模块构建的是富信息对象（PyDateTime_DateTime）。每次执行 datetime.now()，解释器不仅要向系统询问当前时间戳，还要根据本地时区规则（或用户指定的时区），将其分解折算为对应的年份、月份、日期、小时、分钟、秒以及微秒。对象创建后包含丰富的日历验证与属性访问接口。因此，datetime 原生并非为了提供“时间戳计数器”，而是为了完整呈现人类日常理解的日历时刻。

二、获取毫秒时间的具体实现步骤

掌握两者区别后，我们在实际编码中如何正确获取毫秒？以下列举标准写法与容易踩坑的旧式写法。

1. time 模块获取毫秒时间

在 Python 3.7 之前，主流做法是使用 time.time() * 1000 后转换为整数；而在现代 Python（3.7 及以上版本）中，推荐使用 time.time_ns() // 1_000_000：

import time

# 方式 A（推荐，Python 3.7+）：整型纳秒整除，无精度丢失
timestamp_ms = time.time_ns() // 1_000_000

# 方式 B（传统方式）：浮点秒数乘 1000 后取整
legacy_ms = int(time.time() * 1000)

print("time_ns 结果:", timestamp_ms)
print("time.time 结果:", legacy_ms)

为什么更推荐 time.time_ns()？因为 time.time() 返回的是 64 位双精度浮点数（IEEE 754 标准）。浮点数尾数精度仅有 53 位二进制位（等效约 15 至 17 位有效十进制数字）。当前 Unix 秒戳已经达到 10 位整数，留给小数部分的精度空间有限。在执行 * 1000 的乘法时，极小概率会因浮点舍入产生尾数晃动；而整型纳秒除法是纯数学整数截断，稳定且安全。

2. datetime 模块获取毫秒时间

datetime.datetime 对象拥有 microsecond 属性，单位为微秒（1 毫秒 = 1000 微秒）。获取毫秒通常有两种业务诉求：一种是获取当前时刻在当前秒内的毫秒数（0~999），另一种是生成包含毫秒的可读字符串，或者将对象转回 13 位毫秒戳：

from datetime import datetime

now = datetime.now()

# 1. 获取当前秒内的毫秒部分（0 到 999 整数）
ms_component = now.microsecond // 1000

# 2. 生成规范的带毫秒时间字符串（如日志场景常用）
# %f 格式化为 6 位微秒，切片截取前 3 位即为毫秒
formatted_str = now.strftime("%Y-%m-%d %H:%M:%S") + f".{ms_component:03d}"
# 或切片法：
formatted_slice = now.strftime("%Y-%m-%d %H:%M:%S.%f")[:-3]

# 3. 将 datetime 对象转换为 13 位 Unix 毫秒时间戳
dt_timestamp_ms = int(now.timestamp() * 1000)

print("当前秒内毫秒:", ms_component)
print("格式化带毫秒字串:", formatted_str)
print("datetime 转毫秒戳:", dt_timestamp_ms)

三、精度机制与数值表示解析

深入探究两种方式的精度机制，可以发现 Python 官方标准库在演进中的设计考量。

1. 为什么 datetime 没有 millisecond 属性？

很多开发者初学时常常试图访问 dt.millisecond，结果遭遇 AttributeError。Python 的 datetime 设计哲学是将时间精度一次性规划到微秒级（Microsecond）。因为微秒是常见操作系统时钟能稳定提供的较小度量单位之一，提供微秒（0~999999）即可完全向下覆盖毫秒（通过 // 1000 即可无损得到毫秒）。如果额外维护一个 millisecond 字段，不仅增加内部 C 结构体冗余，还会引起属性同步问题。

2. 浮点精度陷阱与 Python 3.7+ 的演进

在 Python 3.7 引入 PEP 564 之前，所有高精度时钟（如 time.time(), time.perf_counter()）都只能返回 Python float。随着硬件与网络向微秒甚至亚微秒推进，浮点数的 53 位精度限制成为了高精度指标采集的瓶颈。PEP 564 因此在 time 模块中引入了 6 个返回整型纳秒的新函数：time_ns()、perf_counter_ns()、monotonic_ns() 等。这是 time 模块在纳秒整型层面的核心优势，而 datetime 至今未支持纳秒（内部依然保持微秒）。

四、性能开销基准与选型对比

在性能敏感的应用中（如高并发 Web 框架中间件、分布式 RPC 追踪链路、行情快照数据接收），调用时间函数的开销是不可忽略的因素。

为了直观展现两者开销，以典型现代 CPython 运行环境进行单次调用测试：

• time.time_ns() // 1_000_000：单次耗时约 35 ~ 50 纳秒。属于极轻量级的内核调用与整数算术。
• time.time()：单次耗时约 30 ~ 45 纳秒。
• datetime.now()：单次耗时约 250 ~ 380 纳秒。耗时约为 time_ns() 的 6 至 8 倍，主要消耗在创建 datetime 实例对象、日历日期拆解及属性封装上。
• datetime.now().strftime(...)：若进一步涉及字符串格式化输出，单次耗时通常跃升至 1.5 ~ 2.5 微秒（即 1500~2500 纳秒）。

由此可见，如果你的系统每秒需要生成数十万次毫秒标记（例如链路跟踪 TraceId 或消息队列有序排队），直接采用 time.time_ns() // 1_000_000 能够节省大量 CPU 周期和内存垃圾回收（GC）压力。

五、工程实践常见问题与注意事项

1. 时钟回拨（NTP 同步）对毫秒时间的影响

无论是 time.time() 还是 datetime.now()，本质都是基于系统时钟（Wall Clock）。如果服务器运行了 NTP（网络时间协议）服务且检测到时钟漂移，系统时钟可能会发生微小调整甚至回拨。这意味着连续两次获取毫秒戳，后一次获取的值在极罕见情况下可能小于前一次。如果你的业务依赖严格单调递增的毫秒值，应在应用层维护一个基准增量，或在计时场景使用 time.monotonic()。

2. 时区（Timezone）感知与 UTC 转换

time.time_ns() // 1_000_000 返回的 Unix 毫秒时间戳是绝对时间（UTC 纪元毫秒），在地球任何时区运行所得到的值完全一致。然而 datetime.now() 默认返回的是不带时区信息的本地时间（Naive Datetime）。若要获得精确的 UTC 毫秒时间，推荐使用显式时区指定：datetime.now(timezone.utc)，避免跨地域服务器部署时出现时区偏差。

3. 格式化输出毫秒的标准写法

许多开发者尝试用 strftime("%Y-%m-%d %H:%M:%S.%3f") 输出毫秒，但这在标准库中是不支持的语法（%3f 会被直接报错或原样输出）。标准实践是使用 strftime("%Y-%m-%d %H:%M:%S.%f")[:-3] 切掉后三位微秒，或者通过 f-string 配合 dt.microsecond // 1000 手动补零格式化：f"{dt.strftime('%Y-%m-%d %H:%M:%S')}.{dt.microsecond // 1000:03d}"，既清晰又高效。