from __future__ import absolute_import用法心得小结-CSDN博客

本文链接：https://blog.csdn.net/stan_pcf/article/details/60465665

本文探讨了Python中绝对导入与相对导入的区别，特别是在加入from __future__ import absolute_import后的行为变化。对于不同类型的项目（如应用程序与工具包），文章详细解释了如何正确使用这两种导入方式，并介绍了该特性在大型项目的实际应用案例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这是一个在py2.x中导入3.x的导入特性的语句, 是为了区分出绝对导入和相对导入.

在一般的Python学习资料中介绍3.x的相对导入时候一般都会说相对导入最后不要超过两层.

但是需要区分出我们编写的代码是干嘛的，如果是写的应用程序，在加入了`from future import absolute_import` 之后，那么在程序的编写过程中使用类似`from package.submodule import b` 只能导入系统环境路径里面的包，导入不了你写的应用程序的子包，如果导入你写的应用程序的子包必须使用`from ..submodule import b`。

如果写的是工具类程序，比如说写的是三方包，发布给别人安装。那么在加入了`from future import absolute_import` 之后还是可以在相对导入的时候使用`from package.submodule import b` 。那么这么做不是`from future import absolute_import` 所说的特性没有了么。其实不然。因为我们编写的程序是需要安装在系统环境路径里面的，所以这种绝对导入的方式是可以相对导入的，这个时候搜索包名的时候是在系统环境路径里面搜索，但是因为你的包就在这些路径的某一个路径里面，所以可以搜得到`from package.submodule import b` 里面的b(模块,函数，变量，类)。这种编写工具包以绝对导入进行相对导入的方法还避免了`from ..submodule import b` 最好导入不超过两层的这一建议. 特别适合在开发大型工具的时候。比如著名的深度学习框架tensorflow就是用的这种特性.

下面是截取tensorflow.contrib.init.py里面的代码

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

# Add projects here, they will show up under tf.contrib.
from tensorflow.contrib import bayesflow
from tensorflow.contrib import copy_graph
from tensorflow.contrib import crf
from tensorflow.contrib import cudnn_rnn
from tensorflow.contrib import distributions
from tensorflow.contrib import factorization
from tensorflow.contrib import framework
from tensorflow.contrib import graph_editor
from tensorflow.contrib import grid_rnn