← 返回工具首页

Python环境乱成一团？这篇帮你彻底搞明白

☘️ CloverTools · Python开发实战

一、痛点场景：你是不是也这样？

"这个项目用 Django 2.2，那个项目用 Django 4.2，跑起来报错说版本不兼容……""我本地明明装好了 scrapy，怎么新项目一跑就炸？"" pip install 之后整个系统 Python 都变了，其他项目全挂了……"

如果你有过以上任意一种体验，恭喜你——你遇到了所有 Python 开发者都会遇到的老大难问题：Python 环境污染。

Python 的包生态太丰富了，丰富到几乎每个项目都有自己的依赖版本需求。A 项目需要 requests 2.25，B 项目需要 requests 2.32，你总不能把系统 Python 来回重装吧？

这篇文章，就是来解决这个问题的。我会从实战出发，帮你搞清楚三套主流方案——venv、Conda、Pipenv——什么时候用什么，为什么，怎么用。不废话，直接上。

二、三套方案对比：一张表说清楚

特性	venv（python -m venv）	Conda	Pipenv
安装方式	Python 内置，无需额外安装	需要装 Anaconda/Miniconda	pip install pipenv
包管理	纯 pip	conda + pip 混合	pip + Pipfile.lock
适用场景	Web 开发、快速脚本	数据科学、ML/AI、跨语言环境	追求 lock 确定性的小项目
依赖锁定	手动 requirements.txt	environment.yml	Pipfile.lock（自动）
多 Python 版本	需系统有对应版本	轻松切换	需系统有对应版本
学习成本	⭐ 极低	⭐⭐⭐ 中	⭐⭐ 低-中
生态配套	Python 标准库	强大（conda-forge 等）	中等

我的建议：日常 Web 开发用 venv，省心无依赖；做数据科学/ML 直接上 Conda；想要 lock 确定性用 Pipenv。

三、venv 实战：Python 内置，省心之选

3.1 创建虚拟环境

# 在项目根目录创建 venv
python -m venv .venv

# Windows 激活
.venv\Scripts\activate

# macOS / Linux 激活
source .venv/bin/activate

# 激活后命令前会显示 (.venv)
(.venv) $

3.2 安装依赖

# 安装包
pip install flask requests

# 从 requirements.txt 安装
pip install -r requirements.txt

# 导出当前环境所有依赖
pip freeze > requirements.txt

3.3 退出与删除

# 退出虚拟环境
deactivate

# 删除虚拟环境（直接删文件夹）
rm -rf .venv

3.4 VS Code 自动切换

# 在项目目录下生成 IDE 配置（推荐做法）
code .

# 打开命令面板 (Cmd/Ctrl+Shift+P)
# 输入 "Python: Select Interpreter"
# 选择 .venv/bin/python（macOS/Linux）或 .venv\Scripts\python.exe（Windows）
# 搞定！VS Code 会自动激活对应的虚拟环境

四、Conda 实战：数据分析家的最爱

4.1 安装

# 安装 Miniconda（轻量，推荐）
# 下载：https://docs.conda.io/en/latest/miniconda.html
bash Miniconda3-latest-Linux-x86_64.sh

# 装完后初始化（会让你选择是否自动初始化）
conda init

4.2 创建和管理环境

# 创建新环境，指定 Python 版本
conda create -n mydata python=3.11 numpy pandas matplotlib

# 激活环境
conda activate mydata

# 查看所有环境
conda env list

# 切到另一个环境
conda activate another_env

# 删除环境
conda env remove -n mydata

4.3 Conda vs Pip：什么时候用什么？

# Conda 擅长：科学计算相关的二进制包（避免编译痛苦）
conda install numpy pandas scikit-learn pytorch

# pip 擅长：纯 Python 包（PyPI 上有的）
pip install flask django celery

# 可以混合用，没问题
conda install numpy pandas
pip install django

4.4 导出和复用环境

# 导出当前环境依赖（推荐 yaml 格式）
conda env export > environment.yml

# 在新机器上重建环境
conda env create -f environment.yml

# 或者用 pip + requirements.txt
pip freeze > requirements.txt
pip install -r requirements.txt

五、Pipenv 实战：一个文件管到底

5.1 安装

pip install pipenv

5.2 日常工作流

# 进入项目目录，安装依赖（自动创建 Pipfile）
cd myproject
pipenv install requests flask

# 安装开发依赖（devDependencies）
pipenv install pytest --dev

# 从现有 requirements.txt 导入
pipenv install -r requirements.txt

# 激活虚拟环境（在当前 shell 进入子 shell）
pipenv shell

# 运行脚本（不激活 shell 的情况下运行）
pipenv run python app.py

# 生成 Pipfile.lock（包含精确版本）
# pipenv install 会自动生成 lock 文件，确保团队一致性
pipenv lock

5.3 团队协作

# 克隆项目后，一键安装所有依赖
pipenv install

# 也安装 dev 依赖（协作开发需要）
pipenv install --dev

# 如果有 Pipfile.lock，会严格按 lock 版本来装（确保一致性）
# 如果没有 lock，则根据 Pipfile 生成 lock

5.4 Pipfile 是什么样的？

# Pipfile（类似 package.json）
[[source]]
url = "https://pypi.org/simple"
verify_ssl = true
name = "pypi"

[packages]
flask = "*"
requests = "^2.28.0"

[dev-packages]
pytest = "*"

[requires]
python_version = "3.11"

六、高手技巧：这些你迟早会用到

6.1 requirements.txt 规范写法

# 普通写法（允许小版本升级）
requests>=2.28.0,<3.0.0

# 固定版本（最严格）
flask==2.3.2

# 从当前环境导出（推荐格式）
pip freeze > requirements.txt

# pip-tools 可以生成更干净的 requirements.in（手动维护）+ compile 成 requirements.txt
pip install pip-tools
pip-compile requirements.in

6.2 PYTHONPATH：让 Python 找到你的模块

# 场景：项目有 src/、lib/ 等自定义模块目录
# 需要把 src/ 加入 PYTHONPATH，Python 才能 import 到

# 方式一：运行时指定（临时）
PYTHONPATH=./src:./lib python app.py

# 方式二：写在 venv 激活脚本里（推荐，每个项目固定设置）
# 编辑 .venv/bin/activate，在最后加一行：
export PYTHONPATH="$(pwd)/src:$PYTHONPATH"

# 方式三：pyproject.toml 里配置（Python 3.10+ / PEP 582）
# 在 pyproject.toml 里加：
[tool.pytest.ini_options]
pythonpath = ["src", "lib"]

6.3 多项目隔离最佳实践

# 目录结构建议（推荐）
# 每个项目一个独立文件夹，里面有独立的 .venv 或 conda 环境

# project-a/
# ├── .venv/
# ├── app.py
# └── requirements.txt

# project-b/
# ├── .venv/
# ├── main.py
# └── requirements.txt

# 这样 A 和 B 的依赖完全隔离，互不影响

# 用 direnv 可以自动切换（进入目录自动激活对应环境）
# 安装：brew install direnv
# 在项目目录创建 .envrc，写入：
layout python3 .venv

6.4 pyproject.toml（现代标准）

# Python 3.11+ 推荐的现代项目配置
# pyproject.toml
[project]
name = "my-awesome-project"
version = "0.1.0"
description = "一个牛逼的项目"
requires-python = ">=3.9"
dependencies = [
    "flask>=2.3",
    "requests>=2.28",
]

[project.optional-dependencies]
dev = ["pytest", "black", "ruff"]

# 安装带 dev 依赖
pip install -e ".[dev]"

# 用 pip compile 生成锁文件
pip-compile pyproject.toml

七、常见问题 Q&A

Q：venv 和 virtualenv 是什么关系？

A：virtualenv 是老牌第三方工具，功能更强但需要单独安装。python -m venv 是 Python 3.3+ 内置的，本质是 virtualenv 的简化版。日常开发直接用 python -m venv 足够了，virtualenv 的那些高级功能（自定义 site-packages 路径等）大多数场景用不到。

Q：已经乱成一团了怎么救？

A：先 pip freeze 导出当前依赖，然后用 rm -rf 清掉所有装过的包（或者直接重装系统 Python），再按项目重新创建干净的环境。亡羊补牢，未为迟也。下次记得：每个项目都用独立虚拟环境。

Q：Conda 和 pip 安装同一个包会冲突吗？

A：有可能。Conda 维护自己的包索引，有时候 pip 装的版本和 conda 维护的版本在底层依赖上有冲突。建议：用 conda 创建环境后，优先用 conda install，conda 没有的包再用 pip。

Q：Pipenv 锁文件 lock 太慢怎么办？

A：pipenv lock --pre 可以跳过预发布版检查，加快速度。如果还是慢，可以用 pip-tools 替代：pip-compile 速度比 pipenv lock 快很多。

Q：Windows 下激活 venv 报错 "cannot be loaded because running scripts is disabled"？

A：这是 PowerShell 执行策略的问题。管理员模式下运行：
Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser
然后重新执行 .venv\Scripts\Activate 即可。

Q：多台机器同步环境，用什么方式最靠谱？

A：推荐组合：requirements.txt（主依赖）+ pyproject.toml（项目元信息）。如果追求版本精确，用 pip-compile --output-file=requirements.txt 生成带精确版本的 lock 文件。跨平台（Windows/macOS/Linux）要考虑平台差异，二进制包可能导致某些版本在某些平台上不存在，这种情况下建议用 Docker 容器化。

Q：Docker 里怎么用虚拟环境？

A：Docker 本身就是隔离的，但如果想保持开发/部署一致性，通常在 Dockerfile 里这样用：

# Dockerfile
FROM python:3.11-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
CMD ["python", "app.py"]

Q：Jupyter Notebook 如何使用虚拟环境？

# 在虚拟环境里装 ipykernel
pip install ipykernel

# 注册这个环境到 Jupyter
python -m ipykernel install --user --name=myenv --display-name "My Project"

# 打开 Jupyter 后，Kernel → Change kernel → 选择 "My Project"

八、写在最后

Python 环境管理这件事，说复杂也复杂，说简单也简单——核心就一句话：每个项目用独立的环境。管你是 venv、Conda 还是 Pipenv，只要做到了项目级别隔离，就已经解决了 80% 的问题。

剩下的 20%，是团队协作时的依赖锁定、多版本 Python 切换、以及 CI/CD 流水线里的环境复现。这些靠 requirements.txt、environment.yml、Pipfile.lock 这些锁文件机制来解决，核心思想都是一样的：把依赖版本写死，确保任何人、任何机器跑起来结果一致。

如果你觉得管理 Python 环境还是太烦——确实，配置多了真的很烦——可以试试我们做的 CloverTools 开发工具集，里面收录了 1000+ 实用工具，覆盖开发、运维、设计的各个场景，省去找工具的时间。

标签：Python 虚拟环境 venv Conda Pipenv 开发工具