虚拟环境能解决依赖冲突，通过为每个Python项目创建独立环境，实现库和解释器的隔离，避免版本冲突，确保项目间互不干扰。
虚拟环境（Virtualenv）是Python开发中一个非常基础但极其重要的工具，它允许你为每个项目创建独立的Python运行环境，从而有效地隔离不同项目所需的库和依赖，彻底解决版本冲突的困扰。简单来说，它就像是给你的每一个Python项目都配备了一个专属的、干净的工作间，互不干扰。
解决方案
使用Virtualenv其实并不复杂，但它带来的好处是巨大的。我个人觉得，刚开始用的时候，最容易忘的就是那个激活（activate）命令，但它真的是关键一步。
首先，你需要确保你的系统上已经安装了Python和pip。然后，我们全局安装Virtualenv工具本身：
pip install virtualenv
安装完成后，你就可以在你的项目目录下创建一个新的虚拟环境了。假设你的项目目录是
my_project
：
cd my_projectvirtualenv venv # 或者你喜欢的任何名字，通常叫venv或.venv
这个命令会在
my_project
目录下创建一个名为
venv
的文件夹，里面包含了独立的Python解释器、pip工具以及其他一些必要的脚本。
接下来，也是最关键的一步，你需要“激活”这个虚拟环境。只有激活后，你在这个终端窗口中执行的所有Python命令（如
python
、
pip
）才会指向这个虚拟环境内的解释器和库。
在Linux/macOS系统上：
source venv/bin/activate
在Windows系统上（使用PowerShell）：
.venvScriptsActivate.ps1
在Windows系统上（使用Command Prompt）：
venvScriptsactivate.bat
激活成功后，你的终端提示符前通常会显示虚拟环境的名字（比如
(venv)
），这表明你当前正在虚拟环境中工作。现在，你可以在这个环境中安装项目所需的任何库了：
pip install requests beautifulsoup4
这些库只会安装到当前的
venv
环境中，不会影响到你系统全局的Python环境，也不会影响到其他项目的虚拟环境。当你完成工作，或者想切换到其他项目时，只需要简单地“停用”当前虚拟环境：
deactivate
终端提示符前的
(venv)
会消失，你又回到了系统全局的Python环境。
虚拟环境真的能解决依赖冲突吗？
这几乎是每一个Python开发者都会遇到的痛点，也是虚拟环境存在的根本原因。答案是肯定的，虚拟环境确实能有效地解决依赖冲突。想想看，你可能有一个老项目，它依赖
Django==1.11
，而你现在正在开发一个新项目，需要用到
Django==3.2
。如果这两个项目都直接使用系统全局的Python环境，那么你安装
Django 3.2
后，老项目就会出问题，反之亦然。
虚拟环境的机制在于，它为每个项目复制了一个独立的Python解释器，并且拥有自己独立的
site-packages
目录。当你激活一个虚拟环境时，你的shell会修改
PATH
环境变量，让
python
和
pip
命令指向这个虚拟环境内部的副本。这意味着：
独立的库安装路径： 任何通过
pip
安装的库都会存放在当前激活的虚拟环境的
site-packages
目录中，而不会影响到全局Python或其他虚拟环境的
site-packages
。独立的解释器： 每个虚拟环境都有自己的Python解释器副本，确保了代码运行的上下文是完全隔离的。
所以，你可以为老项目创建一个虚拟环境，安装
Django==1.11
；再为新项目创建另一个虚拟环境，安装
Django==3.2
。它们各自在自己的沙盒里运行，互不干扰，完美解决了依赖版本冲突的问题。我个人在处理一些遗留项目时，如果没有虚拟环境，简直无法想象如何高效工作，它简直是我的救星。
虚拟环境和Conda有什么区别？
这是一个很常见的问题，尤其是在数据科学和机器学习领域，Conda（或者Miniconda/Anaconda）非常流行。它们的目标都是为了创建隔离的运行环境，但实现方式和侧重点有所不同。
Virtualenv（以及venv模块，Python 3.3+内置）
专注于Python： Virtualenv主要是为Python项目设计的，它管理Python包和Python解释器版本。轻量级： 它只包含Python解释器和pip，以及一些基础的脚本，创建速度快，占用空间小。依赖Python： Virtualenv本身需要一个已经安装好的Python环境来创建虚拟环境。使用场景： 适用于纯Python项目开发，当你只需要管理Python包依赖时，它足够了。
Conda（Miniconda/Anaconda）
跨语言、跨平台： Conda是一个通用的包管理器和环境管理器，它不仅能管理Python包，还能管理R、Julia、Node.js等其他语言的包，甚至包括非语言相关的系统级库（如CUDA、MKL等）。环境管理更全面： Conda能够管理Python解释器本身的版本。你可以用Conda创建Python 3.8的环境，也可以创建Python 3.9的环境，而无需系统预装这些版本的Python。独立性强： Conda环境可以完全独立于系统上的任何Python安装。使用场景： 在数据科学、机器学习领域非常流行，因为这些领域往往需要复杂的科学计算库（NumPy, SciPy, Pandas, TensorFlow等），这些库可能依赖于特定的C/C++编译器或MKL库，Conda能够更好地管理这些非Python依赖。
在我看来，如果你只是进行常规的Web开发、脚本编写等纯Python项目，Virtualenv（或Python 3.3+自带的
venv
模块）是更轻量、更直接的选择。但如果你涉及数据科学、需要特定版本的Python解释器、或者需要管理非Python的二进制依赖，那么Conda会是更强大的工具。我通常是根据项目需求来选择，如果项目涉及到复杂的科学计算，我往往会倾向于Conda，因为它在处理那些底层依赖时确实更省心。
如何管理多个虚拟环境，避免混乱？
随着项目数量的增加，你可能会发现自己创建了几十个虚拟环境，它们散落在不同的项目目录里，有时候会忘记哪个环境对应哪个项目，或者想快速切换环境时感到不便。为了避免这种混乱，我有几个实践经验可以分享：
统一命名约定： 始终将虚拟环境命名为
venv
或
.venv
，并将其直接放在项目根目录下。这样，当你进入项目目录时，就能一眼看到它的虚拟环境。同时，记得将
venv/
添加到你的
.gitignore
文件中，避免将环境文件提交到版本控制。
使用
virtualenvwrapper
（或类似的工具）： 这是我个人非常推荐的一个工具，尤其是在Linux/macOS系统上。
virtualenvwrapper
提供了一组命令行工具，让你能够在一个集中的位置管理所有虚拟环境。
mkvirtualenv my_project_env
：创建一个名为
my_project_env
的虚拟环境，并自动激活。
workon my_project_env
：快速切换到指定的虚拟环境。
lsvirtualenv
：列出所有已创建的虚拟环境。
rmvirtualenv my_project_env
：删除一个虚拟环境。它将所有虚拟环境统一存放在一个目录下（通常是
~/.virtualenvs
），极大地方便了管理和查找。
集成到IDE/编辑器： 现代的IDE（如PyCharm、VS Code）都对虚拟环境有很好的支持。它们通常能自动检测项目目录下的虚拟环境，并允许你轻松地选择或创建新的虚拟环境作为项目的解释器。这能让你在开发过程中几乎忘记虚拟环境的存在，因为IDE已经帮你处理了激活和停用。
pyenv
与
virtualenv
结合使用： 如果你需要管理多个Python版本（例如，有些项目需要Python 3.7，有些需要Python 3.9），那么
pyenv
是一个非常强大的工具。
pyenv
允许你在系统上安装和切换不同版本的Python。它还可以与
virtualenv
（通过
pyenv-virtualenv
插件）结合使用，让你能为特定Python版本的虚拟环境。这样，你可以先用
pyenv
切换到所需的Python版本，然后在这个版本上创建虚拟环境。
管理虚拟环境的核心思想就是集中化和自动化。无论是通过
virtualenvwrapper
还是IDE的集成，目标都是减少手动操作，让环境管理变得无感且高效。这就像整理书架一样，把所有相关的书放在一起，贴上标签，这样下次找起来就方便多了。
以上就是如何使用虚拟环境（Virtualenv）？的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1370098.html
微信扫一扫 
支付宝扫一扫 
