3. 环境搭建：Python 虚拟环境配置与依赖管理

本章聚焦于构建一个可复现、隔离的 Python 实验环境，用于后续的 API 延迟诊断与基线偏差回归分析。我们将依次完成虚拟环境创建、核心依赖锁定、HTTP 测试客户端选型以及数据科学库的安装。

3.1 Python 虚拟环境配置

虚拟环境确保项目依赖与系统全局 Python 环境隔离，避免版本冲突。推荐使用 Python 3.10+ 内置的 venv 模块。

操作步骤：
  1. 创建项目目录并进入：mkdir latency-regression-check && cd latency-regression-check
  2. 创建虚拟环境：python3 -m venv .venv
  3. 激活虚拟环境：
    • Linux/macOS：source .venv/bin/activate
    • Windows (PowerShell)：.venv\Scripts\Activate.ps1
  4. 验证激活：终端提示符前出现 (.venv) 前缀，且 which python 指向环境内路径。
最佳实践：将 .venv/ 目录加入 .gitignore 文件，避免将虚拟环境本身提交到版本控制。仅通过 requirements.txt 管理依赖。
虚拟环境隔离与依赖管理流程 虚拟环境隔离与依赖管理流程 系统 Python python3 -m venv .venv 隔离环境 pip install requirements.txt 说明：依赖仅安装在 .venv 内，系统 Python 不受影响；requirements.txt 用于跨环境复现。

3.2 依赖管理：requirements.txt

requirements.txt 是 Python 项目依赖的声明式清单，配合 pip freeze 可实现精确版本锁定。

命令 用途 示例输出
pip freeze > requirements.txt 将当前环境所有已安装包及其版本号导出到文件 requests==2.31.0
pip install -r requirements.txt 根据文件内容批量安装指定版本的依赖 自动解析并安装
pip list --format=columns 以表格形式列出当前环境所有包 包名 + 版本号
版本锁定陷阱：不要直接使用 pip freeze > requirements.txt 不加筛选，它会包含大量隐式依赖（如 pip、setuptools 本身）。推荐手动维护核心依赖列表，或使用 pip-compile（来自 pip-tools）生成干净清单。

3.3 API 测试框架安装：requests vs httpx

在延迟诊断场景中，HTTP 客户端的性能与异步能力直接影响测试精度。下表对比了 requests 与 httpx 的核心差异：

特性 requests httpx
同步请求 ✅ 原生支持 ✅ 原生支持
异步请求 (async/await) ❌ 不支持 ✅ 原生支持
HTTP/2 支持 ❌ 不支持 ✅ 支持
连接超时控制 ✅ timeout 参数 ✅ timeout 参数
安装命令 pip install requests pip install httpx
选型建议：
  • 若仅需同步测试且追求生态成熟度，选择 requests。
  • 若需并发发送大量延迟探测请求（如 100+ QPS 的基线扫描），推荐 httpx 的异步客户端，可显著降低资源开销。
  • 本课程后续示例将同时提供两种实现，但默认使用 httpx 以展示异步能力。
# 安装命令（在激活的虚拟环境中执行）
pip install requests==2.31.0
pip install httpx==0.27.0

3.4 数据科学库安装：pandas & numpy

延迟诊断产生的原始时间戳数据需要经过清洗、聚合与统计分析，才能提取出基线偏差特征。pandas 提供 DataFrame 结构用于表格化处理，numpy 提供底层数值计算支持。

库名 版本（推荐） 核心用途 安装命令
pandas 2.1.x 数据加载、清洗、分组聚合、时间序列重采样 pip install pandas==2.1.4
numpy 1.26.x 数组运算、百分位数计算、统计指标（均值/标准差） pip install numpy==1.26.2
验证安装：在 Python 交互式环境中执行以下代码，确认库可正常导入且版本正确：
import pandas as pd; print(pd.__version__)
import numpy as np; print(np.__version__)
依赖安装与延迟诊断数据流架构 依赖安装与延迟诊断数据流架构 .venv 环境 httpx / requests pandas numpy 延迟原始数据 DataFrame 清洗 偏差统计输出 说明：httpx 采集延迟 → pandas 清洗与重采样 → numpy 计算百分位与基线偏差。

3.5 完整 requirements.txt 示例

以下是一个针对本课程定制的依赖清单，包含精确版本号，确保跨环境一致性：

# API 测试框架
httpx==0.27.0
requests==2.31.0

# 数据科学核心库
pandas==2.1.4
numpy==1.26.2

# 辅助工具（可选）
python-dotenv==1.0.0   # 环境变量管理
pyyaml==6.0.1          # YAML 配置解析
一键安装：将上述内容保存为 requirements.txt，然后在激活的虚拟环境中执行：
pip install -r requirements.txt
等待安装完成后，可通过 pip list 确认所有包已就绪。

3.6 环境验证脚本

编写一个简短的验证脚本，确保所有核心组件可正常工作：

# verify_env.py
import sys
import httpx
import pandas as pd
import numpy as np

def check_environment():
    """验证虚拟环境中的核心依赖是否就绪"""
    print(f"Python 版本: {sys.version}")
    print(f"httpx 版本: {httpx.__version__}")
    print(f"pandas 版本: {pd.__version__}")
    print(f"numpy 版本: {np.__version__}")

    # 简单功能测试
    arr = np.array([1, 2, 3])
    print(f"numpy 数组均值: {np.mean(arr)}")

    df = pd.DataFrame({"latency_ms": [100, 200, 150]})
    print(f"pandas 延迟统计:\n{df.describe()}")

    print("✅ 环境验证通过，所有依赖正常。")

if __name__ == "__main__":
    check_environment()

执行 python verify_env.py，若输出无报错且版本号匹配预期，则环境搭建完成，可进入下一阶段的 API 延迟采集与基线构建。

← 上一章 📖 返回目录 下一章 →