传统上，Python对于“大尾数C布局中的数字”用处不大，而对于C来说则用不了太多。（如果要处理2字节，4字节或8字节的数字，那么struct.unpack答案就是）
但是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添加了一种int.from_bytes完全可以实现您想要的方法：
int.from_bytes(b, byteorder='big', signed=False)
不幸的是，如果您使用的是旧版本的Python，则没有此功能。那么，您有什么选择？（除了显而易见的一个：更新为3.2，或者更好的是3.4…）
首先，有您的代码。我认为binascii.hexlify它是比esb更好的拼写方式.encode('hex')，因为“ encode”对于字节串（相对于Unicode字符串）的方法似乎总是有些怪异，并且实际上已在Python 3中被淘汰了。但是，否则，似乎可读性强，对我来说很明显。而且它应该非常快- 是的，它必须创建一个中间字符串，但是它正在C中进行所有循环和算术运算（至少在cpython中），这通常比Python快一两个数量级。除非您bytearray太大，以至于分配字符串本身都会很昂贵，否则我在这里不必担心性能。
或者，您可以循环执行。但这将更加冗长，至少在cpython中要慢得多。
您可以尝试消除一个隐式循环的显式循环，但是这样做的明显功能是reduce，在社区中，这被视为非Python的—当然，这将需要为每个字节调用一个函数。
您可以展开循环，也reduce可以将其分解为8个字节的块并进行循环struct.unpack_from，或者通过做一个大的struct.unpack('Q'*len(b)//8 + 'B' * len(b)%8)循环来进行循环，但这会使它的可读性大大降低，并且可能并没有那么快。
您可以使用NumPy…，但是如果您要大于64位或128位，则最终将所有内容都转换为Python对象。
因此，我认为您的答案是最好的选择。
以下是一些将其与最明显的手动转换进行比较的时间：
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)
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
为了在Python 3.4中进行比较：
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
因此，您的方法仍然相当快……
602392714
清零编程群