python打包效率_一款让Python开发效率提升50%的工具包

​依赖管理一直都在编程语言中占据着至关重要的地位，无论是Python、JavaScript还是Java、Go。

虽然不同编程语言的依赖管理工具不尽相同，但是它们追求的目标都是大同小异的。能够对项目以来进行更加轻松统一的管理，能够更加便捷的进行项目迁移和部署。

因此，就出现了maven、npm、pip这些依赖包管理工具，但是，对比于Java和JS，Python在依赖管理方面更加特殊。所以，先后出现了多款不同的管理工具，每一次升级都是为了更好的做好Python的依赖包管理工具。

Python在依赖包管理方面主要的特殊性就来自于，不仅需要考虑项目以来的第三方包，还要着重考虑虚拟环境。这一点，是由于Python和Java、JS这些编程语言本质上存在差异导致的。

Java、JS是以项目进行隔离，每当开发一个项目，依赖包都是安装在项目工程路径下。每个工程之间是隔离的，这样，即便是不同工程用到同一个包的不同版本，它们之间也不会产生冲突。

但是，Python则不同，在Python中无法通过工程对依赖包进行隔离。

当我们之间使用pip安装第三方包时，所有的依赖都会安装到安装目录下的site-packages。

试想一下，如果我们开发A工程，用到了TensorFlowv0.1。但是，开发B工程，需要用到TensorFlowv0.2。这时候，site-packages下的依赖包就会产生冲突，后面安装的依赖包就会把前面已经安装的版本卸载掉然后再安装新版本依赖包。

显然，这样是非常不友好的。

为了解决这个问题，虚拟环境就起到了至关重要的作用。

在开发不同的工程时，可以创建并激活不同的虚拟环境。这样，不同的工程就会用到不同环境下的解析器，我们也可以把依赖包安装到不同虚拟环境的site-packages路径下。

因此，在Python中依赖管理一般指代依赖管理+虚拟环境。

以往，针对Python依赖管理和虚拟环境经常会用到2个工具：pip和virtualenv。

其中pip用于依赖包的管理，virtualenv用于虚拟环境的管理。

这样虽然解决了不同工程之间环境隔离的问题，但是也存在着明显的不足：需要同时依赖2款管理工具

不能动态更新requirements.txt

其中比较突出的问题就是第2点。

在工程开发过程中，需要一个配置文件来记录依赖包和环境参数，例如，maven的pom.xml、npm的package.json。

而在Python中常用的就是requirements.txt。

这种纯文本的格式只能用于记录依赖包的名称，而不能像yaml、json、xml这些文本存储格式一样记录更多环境参数信息。

另外，更致命的一点就是，每次导出依赖包都需要手动执行pip freeze > requirements.txt命令。很明显，这样是非常不合理的。试想一下，如果由于忙碌忘记手动执行这项操作，那么费九牛二虎之力部署到生产环境之后发现报错，这样会造成很大的损失。

因此，pipenv就诞生了。

pipenv

pipenv是由requests、flask等知名工具包的作者Kenneth Reitz于2017年发布的一款Python依赖包管理工具。

pipenv可以看成是pip+virtualenv两款工具的合体，它集合了pip的依赖包管理和virtualenv虚拟环境管理于一身。另外，在依赖包记录方面使用Pipfile替代原来的requirements.txt。而且，它能够自动记录并更新记录文件，这样就不再需要手动执行命令来更新requirements.txt。

pipenv的出现的确大大降低了Python依赖包管理的复杂度，提升了项目开发、工程迁移的效率。

因此，近几年关于pipenv的评价一直都非常好，各大内容平台对于pipenv称颂的文章更是多如牛毛。

但是，我至今没有成为pipenv的忠实用户，而且，也不会选择pipenv来代替原来pip+virtualenv的方案。

我相信，那些满篇称颂pipenv的作者也未必是它的忠实用户。

不可否认，pipenv在Python依赖包管理方面提供了一个很好的解决方案。但是，它依然有一些致命的缺陷，比原来pip+virtualenv方案的繁琐、手动操作更为棘手。Lock速度缓慢

强行更新不相干依赖

依赖处理效果较差

这里举个例子来解释一下第3点。

使用pipenv安装一个包，

$ pipenv install oslo.utils==1.4.0

这时候就会发生报错，

Could not find a version that matches pbr!=0.7,!=2.1.0,<1.0,>=0.6,>=2.0.0

这个报错的含义是无法找到合适版本的pbr，即便是有合适的版本，pipenv也会简单粗暴的抛出错误，无法完成依赖包的处理和安装。

这时，更为优秀的工具包出现了，它就是poetry。

poetry

poetry是一款可以管理Python依赖、环境，同时可以用于Python工程打包和发布的一款第三方工具包。

poetry通过配置文件pyproject.toml来完成依赖管理、环境配置、基本信息配置等功能。相当于把Python项目中的Pipfile、setup.py、setup.cfg、requirements.txt、MANIFEST.in融合到一起。

通过pyproject.toml文件，不仅可以配置依赖包，还可以用于区分开发、测试、生产环境、配置源路径。

为什么选择poetry?

poetry相比于pipenv具有很多明显优势的功能：更强大的依赖处理功能

易于打包和构建Python工程

易于发布工具包

结构化展示依赖关系

更强大的依赖处理功能

以前面介绍pipenv的例子来介绍poetry在依赖处理方面的强大之处。

pipenv在安装工具包遇到直观的问题时会直接报错，并终止。

而使用poetry安装则不会，

$ poetry add oslo.utils=1.4.0

- Installing pytz (2018.3)

- Installing netifaces (0.10.6)

- Installing netaddr (0.7.19)

- Installing oslo.i18n (2.1.0)

- Installing iso8601 (0.1.12)

- Installing six (1.11.0)

- Installing babel (2.5.3)

- Installing pbr (0.11.1)

- Installing oslo.utils (1.4.0)

poetry在遇到pbr (>=0.6,!=0.7,<1.0)这个限定条件时，它会尝试去安装最新的pbr(0.11.1版)，同时会选择oslo.i18n==3.20.0，但是，这时候发现oslo.i18n的版本和pbr最新版本冲突。如果在pipenv中则会报错。但是poetry会尝试找出解决方案，最后发现oslo.i18n==2.1.0时可以满足所有相互依赖关系的要求。最终，成功安装依赖包。

易于打包和构建Python工程

在工程开发过程中，项目迁移和工程化部署是无法绕开的问题。

如果需要把我们的工程部署到生产环境服务器上，这时候就需要用到Python的打包和安装功能。

在以往，会写繁琐的setup.py、setup.cfg。而在poetry中，一行命令就可以解决，

$ poetry build

Building poetry (1.0.0)

- Building sdist

- Built poetry-1.0.0.tar.gz

- Building wheel

- Built poetry-1.0.0-py2.py3-none-any.whl

易于发布工具包

如果想要把工程发布到PyPI仓库怎么办？

在poetry中，只需要简单配置一下pyproject.toml，就可以实现一行命令发布工具包，

$ poetry publish

Publishing poetry (1.0.0) to PyPI

- Uploading poetry-1.0.0.tar.gz 100%

- Uploading poetry-1.0.0-py2.py3-none-any.whl 58%

结构化展示依赖关系

Python是一款对第三方工具包依赖很强的一种编程语言，一个项目中会用到很多款不同的工具包，而这些包的依赖关系是什么样的，很多开发者对其了解却很少。

poetry可以实现结构化展示每个工具包的依赖关系，让工程的依赖一目了然，

$ poetry show --tree

requests-toolbelt 0.8.0 A utility belt for advanced users...

└── requests <3.0.0,>=2.0.1

├── certifi >=2017.4.17

├── chardet >=3.0.2,<3.1.0

├── idna >=2.5,<2.7

└── urllib3 <1.23,>=1.21.1

$ poetry show --latest

pendulum 2.0.4 1.4.5 Python datetimes made easy.

django 1.11.11 2.0.3 A high-level Python Web framework ...

requests 2.18.4 2.18.4 Python HTTP for Humans.

如何使用poetry？

安装

poetry提供多种安装方式，个人推荐从以下2种方式中选择：

方式一：(推荐)

$ curl -sSL https://raw.githubusercontent.com/python-poetry/poetry/master/get-poetry.py | python

方式二：(pip)

$ pip install --user poetry

工程初始化

如果当前还没有创建工程，可以使用poetry新建工程：

$ poetry new poetry-demo

这时候，会创建一个包含如下内容的工程，

poetry-demo

├── pyproject.toml

├── README.rst

├── poetry_demo

│ └── __init__.py

└── tests

├── __init__.py

└── test_poetry_demo.py

除了新建工程，还可以在已有工程的基础上进行创建，

$ poetry init

这时候，它会让你输入包名称、版本号等信息，你可以选择输入，也可以选择按下ENTER键使用默认值。

依赖包管理安装依赖包

可以使用add命令来安装一款Python工具包，

$ poetry add numpy

还可以，通过添加配置参数--dev来区分不同环境下的依赖包。

可以使用install命令直接解析并安装pyproject.toml的依赖包，

$ poetry install更新依赖包

更新所有锁定版本的依赖包，

$ poetry update

更新指定依赖包，

$ poetry update numpy卸载依赖包

$ poetry remove numpy

虚拟环境管理创建虚拟环境

创建虚拟环境有2种方式：

方式1：

如果在配置文件中配置了virtualenvs.create=true，执行poetry install时会检查是否有虚拟环境，否则会自动创建。

方式2：

利用poetry env use命令，

$ poetry env use python3.7激活虚拟环境

$ poetry shell查看虚拟环境信息

$ poetry env info显示虚拟环境列表

$ poetry env list删除虚拟环境

$ poetry env remove python3.7

结语

poetry或许目前依然存在着某些不足之处，但是，它的确提供了一套当前最为完善的Python依赖包管理解决方案。相对与当前的pip、pipenv具有很多显而易见的优势，而在GitHub上该项目也已经获得高达11.2k颗star。

如果喜欢尝鲜，可以尝试使用poetry替换pip+virtualenv或者pipenv进行依赖包管理和虚拟环境管理。很多新事物的出现，都会伴随着一些学习成本，例如，Java的spring boot、JS的umi。刚开始会耗费很多精力去理解这些新鲜事物，但是一旦熟悉它的使用，就会发现会大大提升开发效率。

干货

最近，为了方便大家，我花费了半个月的时间把这几年来收集的各种技术干货整理到一起，其中内容包括但不限于Python、机器学习、深度学习、计算机视觉、推荐系统、Linux、工程化、Java，内容多达5T+，我把各个资源下载链接整理到一个文档内，目录如下：

所有干货送给大家，希望能够点赞支持一下！