2. 环境隔离：使用虚拟环境（venv/conda）避免依赖冲突

说实话，跨平台打包最让我头疼的，不是代码本身，而是依赖管理。

你想想看，一个项目在 Windows 上跑得好好的，换到 macOS 就报错。或者同事拉下来代码，一运行就缺包。这种问题我遇到过太多次了。根源在哪？就是环境没隔离好。

为什么需要环境隔离？

我刚开始做 Python 项目时，习惯全局装包。结果呢？项目 A 需要 Django 2.2，项目 B 需要 Django 3.0。两个项目一冲突，我就得来回卸载重装。后来我学乖了——每个项目一个独立环境，互不干扰。

说白了，虚拟环境就是给你的项目造一个「小房间」。房间里有什么包、什么版本，完全由你说了算。外面的包再多再乱，也影响不到里面。

核心原则：一个项目，一个环境，一份依赖清单。

venv：Python 自带的轻量方案

如果你用的是 Python 3.3 以上版本，venv 是内置的。不需要额外安装，直接用。

# 创建虚拟环境
python -m venv myenv

# 激活（Windows）
myenv\Scripts\activate

# 激活（macOS/Linux）
source myenv/bin/activate

# 退出
deactivate

激活后，你会发现终端前面多了个 (myenv) 前缀。嗯，这就是你进入「小房间」的标志。

我个人习惯在项目根目录下创建 .venv 文件夹，然后把它加到 .gitignore 里。这样不会把环境文件提交到代码仓库。

小技巧：用 pip freeze > requirements.txt 导出依赖清单。别人拿到项目后，直接 pip install -r requirements.txt 就能复现你的环境。

conda：数据科学家的首选

如果你做数据科学或机器学习，我建议用 conda。它不仅能管理 Python 包，还能管理非 Python 的依赖，比如 CUDA、OpenCV 这些底层库。

# 创建环境
conda create -n myenv python=3.9

# 激活
conda activate myenv

# 安装包
conda install numpy pandas

# 退出
conda deactivate

# 删除环境
conda env remove -n myenv

conda 有个好处：它自带了一个包管理器，比 pip 更擅长处理二进制依赖。我在项目中遇到过 TensorFlow 装不上的问题，换成 conda 就搞定了。

注意：conda 和 pip 混用时要小心。先装 conda 包，再装 pip 包。顺序反了可能导致依赖冲突。

常见的环境污染问题

环境隔离做不好，你会遇到各种奇怪的问题。我列几个常见的，你看看有没有中过招。

问题 表现 原因 解决方法
全局包污染 项目 A 和 B 依赖不同版本 所有包装在全局 每个项目用独立虚拟环境
pip 和 conda 混装 包版本冲突，无法安装 两个包管理器互相覆盖 统一用 conda，或先 conda 后 pip
系统 Python 被改 系统工具无法运行 用 sudo pip 安装包 永远不要动系统 Python
环境变量残留 激活环境后仍用全局包 PATH 顺序不对 检查 which python 路径

避坑指南：我曾经在服务器上直接 sudo pip install 装包，结果把系统自带的 Python 搞坏了。yum 和 apt 都报错，最后只能重装系统。从那以后，我立了个规矩：系统 Python 只用来跑系统工具，项目代码一律用虚拟环境。

跨平台打包时的环境策略

做跨平台打包时，环境隔离就更重要了。因为不同平台上的底层库不一样，比如 Windows 用 .dll，macOS 用 .dylib，Linux 用 .so。

我的做法是：

  1. 每个平台单独建环境——Windows 上建一个，macOS 上建一个，Linux 上建一个。
  2. 用 requirements.txt 统一版本——确保所有平台的依赖版本一致。
  3. 用 Docker 做最终验证——在容器里跑一遍，确保环境干净。

个人经验：我习惯在项目里放一个 env_setup.sh 脚本，一键创建环境、安装依赖。这样不管是自己还是同事，都能快速复现环境。

总结一下

环境隔离不是什么高深技术，但它能帮你省下大量排错时间。记住三点：

  • 每个项目用独立虚拟环境
  • 导出依赖清单，方便复现
  • 别动系统 Python

做到这三点，依赖冲突基本就跟你无缘了。下一章我们聊聊打包工具的选择，看看 PyInstaller、Nuitka、cx_Freeze 这些工具到底该怎么选。

← 上一章 📖 返回目录 下一章 →