Python中搭建虚拟环境，本质上是为了隔离不同项目的依赖包，避免它们之间互相干扰，导致版本冲突等一系列令人头疼的问题。最直接、最常用的方式是利用Python 3.3+ 内置的
venv模块，它能让你快速为每个项目创建一个独立的运行环境，就像给每个项目一个专属的“沙盒”。 解决方案
在Python中搭建虚拟环境，我们主要围绕
venv模块展开。以下是具体步骤：
-
创建虚拟环境： 打开你的终端或命令行工具，导航到你的项目根目录。然后执行以下命令：
python -m venv my_project_env
这里
my_project_env
是你给虚拟环境起的名字，你可以替换成任何你喜欢的名字，比如venv
、.venv
等，我个人习惯直接用venv
，这样在项目结构里一眼就能认出来。执行完后，你会发现项目目录下多了一个名为my_project_env
的文件夹。 -
激活虚拟环境： 这是关键一步，只有激活后，你安装的所有包才会进入这个特定的环境。
-
Windows:
.\my_project_env\Scripts\activate
-
macOS/Linux:
source my_project_env/bin/activate
激活成功后，你的命令行提示符前面会显示虚拟环境的名字，比如
(my_project_env) your_username@your_machine:~/your_project$
，这表明你当前的操作都在这个隔离的环境里。
-
Windows:
-
安装项目依赖： 现在，你可以在这个激活的环境中自由安装所需的库了，它们不会影响到系统全局或其他项目的Python环境。
pip install requests beautifulsoup4
或者，如果你有
requirements.txt
文件：pip install -r requirements.txt
-
退出虚拟环境： 当你完成当前项目的工作，或者需要切换到其他项目时，可以退出当前虚拟环境。
deactivate
命令行提示符前面的虚拟环境名称会消失，表示你回到了系统全局的Python环境。
说实话，刚开始接触Python时，虚拟环境这东西总觉得有点多余，甚至会觉得它增加了学习成本。但一旦你开始同时维护多个项目，或者你的项目依赖的版本比较老旧，你就知道虚拟环境有多“香”了。在我看来，它解决了Python开发中的几个核心痛点：
首先是依赖冲突。这是最常见的问题。比如，你的A项目需要
requests库的1.x版本，而B项目需要2.x版本。如果没有虚拟环境，直接全局安装，那么后安装的那个版本就会覆盖掉前一个，导致其中一个项目无法正常运行。虚拟环境就像是给每个项目一个专属的沙盒，各自玩各自的玩具，互不干扰，完美规避了这种“依赖地狱”。
其次是环境的清洁与可控性。当你在一个项目中使用虚拟环境时，所有安装的库都只存在于这个环境里。这意味着你的系统全局Python环境可以保持干净，不会被各种项目依赖弄得一团糟。同时，这也有助于项目的可复现性。通过
pip freeze > requirements.txt命令，你可以轻松导出当前环境的所有依赖及其精确版本，这样团队的其他成员或者你自己在其他机器上，就能通过
pip install -r requirements.txt准确地重建出相同的开发环境，大大减少了“在我的机器上能跑”这种尴尬。
最后，它也为新项目的尝试提供了便利。想尝试一个新的库或者一个Python版本的新特性？直接创建一个新的虚拟环境，随便折腾，即使搞砸了，删掉重来也毫无压力，不会影响到你其他正在运行的项目。这种自由度，对于开发者来说，无疑是提升效率和探索新技术的利器。
venv与pipenv、conda等工具相比，各自的优势和适用场景是什么？在Python的生态系统中，除了内置的
venv，还有一些功能更强大、设计理念不同的虚拟环境管理工具，比如
pipenv和
conda。它们各有千秋，选择哪一个往往取决于你的项目需求和个人偏好。
venv：
-
优势： 内置于Python 3.3+，无需额外安装，轻量级，简单易用。它专注于创建独立的Python环境，并隔离
pip
安装的包。 -
适用场景： 个人小型项目、对依赖管理要求不那么复杂的项目，或者你更喜欢手动管理
requirements.txt
的情况。它是一个很好的起点，也是许多其他工具的基础。我通常是小项目直接venv
走起，简单直接。
pipenv：
-
优势：
pipenv
旨在将pip
和venv
的功能整合到一个工具中，提供更强大的依赖管理能力。它引入了Pipfile
和Pipfile.lock
文件，类似于其他语言（如Node.js的package.json
和package-lock.json
）的包管理方式。Pipfile
记录了项目直接依赖的包，而Pipfile.lock
则锁定了所有依赖（包括间接依赖）的精确版本，确保了环境的完全可复现性。它还支持开发依赖和生产依赖的分离。 -
适用场景： 团队协作项目、对环境可复现性有严格要求的项目、需要更自动化地管理依赖版本冲突的场景。如果你厌倦了手动维护
requirements.txt
，或者希望有一个更现代、更一致的依赖管理流程，pipenv
会是你的首选。
conda：
-
优势：
conda
不仅仅是一个Python虚拟环境管理器，它是一个跨平台、语言无关的包和环境管理器。这意味着它不仅能管理Python包，还能管理R、Java、C/C++等其他语言的包，以及非Python的系统级依赖（比如科学计算中常用的MKL库）。conda
的核心优势在于它能够处理复杂的二进制依赖，这在数据科学和机器学习领域尤为重要。 -
适用场景： 数据科学、机器学习、高性能计算等领域，尤其是当你需要管理除了Python之外的其他语言环境或复杂的非Python依赖时。对于那些需要特定版本的底层库（如CUDA、OpenCV等）的项目，
conda
几乎是不可替代的。它更多是数据科学和机器学习领域的朋友们的最爱。
简单来说，
venv是基础，
pipenv是对
venv和
pip的高级封装，而
conda则是一个更宏大、更通用的环境管理解决方案。选择哪一个，就像选择一把合适的工具，关键在于它是否能高效地解决你当前遇到的问题。 在日常开发中，如何高效地管理和维护多个Python虚拟环境？
管理和维护多个虚拟环境听起来可能有些复杂，但只要掌握一些方法和习惯，就能让这个过程变得高效而顺畅。
首先，统一命名规范非常重要。我个人习惯将虚拟环境文件夹命名为
venv或
.venv，并直接放在项目根目录下。这样，无论打开哪个项目，你都能一眼找到并激活对应的环境。当然，你也可以根据项目名称来命名，比如
my-awesome-project-env，只要保持一致性就好。
其次，充分利用
requirements.txt。这是管理项目依赖的“圣经”。
- 当你在一个虚拟环境中安装了新的库，或者更新了现有库的版本后，记得立即执行
pip freeze > requirements.txt
命令，将当前环境的精确依赖记录下来。 - 当你在新的机器上或者团队成员拉取你的代码后，只需要激活虚拟环境，然后运行
pip install -r requirements.txt
，就能快速重建出完全一致的开发环境。这是一个简单却极其有效的实践，能避免无数的“我的机器上能跑”的尴尬。
再者，集成到IDE中。现代的IDE（如VS Code、PyCharm）都对虚拟环境有很好的支持。
- 在VS Code中，你可以在底部状态栏点击Python解释器版本，然后选择“Enter interpreter path”或“Find interpreter”来指定项目虚拟环境中的Python解释器。
- PyCharm在创建新项目时，会默认帮你创建一个虚拟环境，你也可以在项目设置中轻松切换或添加现有的虚拟环境。 这种集成让虚拟环境的使用变得几乎无感，IDE会自动使用正确的解释器来运行和调试你的代码。
最后，关于环境的清理和重建。有时候，一个虚拟环境可能会因为各种原因（比如依赖冲突、文件损坏）而变得不稳定。在这种情况下，最快、最省心的方法往往就是直接删除这个虚拟环境文件夹，然后利用
requirements.txt重新创建一个。反正
requirements.txt在手，天下我有，重建一个干净的环境通常比排查一个混乱的环境要高效得多。当然，对于
pipenv用户，
pipenv --rm可以帮你删除当前项目的虚拟环境，然后
pipenv install就能重新构建。这种“破坏性重建”的思维，在虚拟环境管理中，其实是一种高效的解决问题方式。
以上就是Python中虚拟环境怎么搭建 Python中虚拟环境配置的详细内容，更多请关注知识资源分享宝库其它相关文章！
发表评论:
◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。