Python

python 实际上并不简单，只不过生态比较好。暴论：python 有多难用

我被 python 坑了太多次，甚至做了个 python-quiz讲述我的经历。

学习

python 入门非常快，简单看点 w3school 即可。进阶可以看一点 码农高天 的视频，虽然有一点炒作，但是不可否认他确实很强（为数不多的华人 python core dev）。

最后，不管学习什么语言都必须要做大量的项目。我也做了不少，例如 bpm 和 init-script。还有更多其他小项目。

安装

python 本身的安装应该不用我多说，windows scoop / archlinux pacman 一行结束。不过注意，没有启用虚拟环境时，电脑中最好只有一个 python。

开发环境

查看 external 8. 以进行参考。

vscode

关于开发，我直接无脑 all in vscode。

开发 python 前，强烈建议安装以下扩展：

• Python - Microsoft
• Ruff - Charlie Marsh：linter + formatter + highlighter
  • 配置技巧
  • ruff 的 formatter 几乎与 black 兼容，因此可以放心用。
    • python 的代码风格非常统一，是一件好事。（反观隔壁 .clang-format 行数）
• Pylance - Microsoft，主要用它提供 inlay hints（比较重要，之前被坑过）
  • inlay hints 默认关闭，需要手动开启。在设置里搜 inlay hints，把 Pylance 提供的四个都开起来。
• (optional) isort - Microsoft：提供 import 排序，formatter
• (optional) Black Formatter - Microsoft：formatter

至于 pylyzer 在 2024.04 还是野鸡状态，根本没法用，cargo install 都会炸，所以不推荐。

我的配置

"[python]": {
    "editor.defaultFormatter": "ms-python.black-formatter",
    "editor.formatOnType": true,
    "editor.formatOnSave": true,
    "editor.codeActionsOnSave": {
        "source.fixAll": true,
        "source.organizeImports": true
    }
},
"python.analysis.inlayHints.pytestParameters": true,
"python.analysis.inlayHints.variableTypes": true,
"python.analysis.inlayHints.functionReturnTypes": true,
"python.analysis.inlayHints.callArgumentNames": "all",
"python.analysis.typeCheckingMode": "standard",

该配置在保存时自动格式化，并开启一些有用的提示。

启用虚拟环境

创建虚拟环境并引入依赖后，代码仍会收到 vscode 的报错：

vscode 中未启用环境

解决方法：

1. Ctrl + Shift + P打开命令面板，搜索Python: Select Interpreter
2. 选中你的虚拟环境。如果没有自动检测到，就手动打开路径，选择 .venv/Scripts/python 或 .venv/bin/python。

包管理器

python 的包管理器可以说是百花齐放。

对于 python 包管理器，我的基本需求是：1. 帮我打包 + 上传 2. 支持 PEP 621。

uv

新的，用 rust 写的包管理器。现在也就出了没两年，赶上了 RIIR 的热潮，引起了很多话题。

2024.09 uv 在 v0.4.5 添加了 build 功能，于是我转向 uv。

当然现在 uv 还存在一些问题，但是还是比 poetry 好用的。

1. 不能在中文目录下 uv init，但是可以 uv init --name xxx 绕过。
   • 不能用中文做 package name 是 PEP 621 的要求。对于拿包管理器但是不用来写一个 python package 的人来说不太友好。

pdm

国人开发，据说很好用，除了性能以外没有其他问题。我还没用过，不过日后会尝试。

pdm 也不允许在中文目录下 init，并且没有方法绕过。好，我不尝试了。

poetry

广泛使用的老牌 python 包管理器，指令抄的 npm。略胜 miniconda。

poetry 可以说是我用的最久的 python 包管理器了。弃坑原因主要是因为：

1. 其不兼容 PEP 621，因为 poetry 出道的时候 PEP 621 还没有出现呢。
2. dep resolve 太慢了。
3. 有更多更好的新兴包管理器。

archived

安装

这里是官方教程。poetry 在 windows 上的 install script 可谓傻逼^[1]，开代理不能装，关代理不能装，scoop 用的也是官方 install script。只好使用 pip。

pip install poetry -i https://pypi.tuna.tsinghua.edu.cn/simple

配置

1. poetry 默认在某个集中的位置（Windows：C:，Linux：~/.cache/...）创建虚拟环境。这不利于使用，特别是当在 vscode 中选择 python 解释器时。明明抄的 npm，为什么不像 npm 那样把依赖都放在项目下呢？
2. poetry windows 默认在 C 盘缓存。空间吃紧的话可以把缓存转到其他盘。

poetry config virtualenvs.in-project true
poetry config cache-dir Z:\

换源

身在中国，换源是很重要的（python 不走代理^[1:1]）。最好每次创建项目都换源，这样一起协作的其他人都无需手动换源。参考文档。

命令行换源

poetry source add tsinghua-pypi https://pypi.tuna.tsinghua.edu.cn/simple

手动换源

编辑 pyproject.toml.

[[tool.poetry.source]]
name = "tsinghua-pypi"
url = "https://pypi.tuna.tsinghua.edu.cn/simple"
priority = "default"

基本命令

• 新建项目：poetry new <package name>
  • 创建 .toml 文件：poetry init，然后跟着提示填入信息
• 包管理
  • 添加包：poetry add <package name>
  • 移除包：poetry remove <package name>
  • 列出可用包：poetry show
• 安装依赖
  • 从现有 pyproject.toml 安装：poetry install，会自动新建虚拟环境
  • 从 requirements.txt 安装（不够完善）：cat requirements.txt | xargs -I % sh -c 'poetry add "%"' (ref)
• 虚拟环境
  • 激活：poetry shell（或在虚拟环境目录执行 call activate.bat）
  • 删除：poetry env remove --all
• 运行：poetry run python <filename>.py

miniconda

提供 python 包管理与虚拟环境。我已弃用 miniconda。

archived

Anaconda 体积过于庞大（6G+），强烈建议安装 miniconda。Anaconda 捆绑祸害了多少编程新人！（包括我） windows 可以使用 scoop 一行搞定。

基本命令

conda create -n <name> python=<version> # 创建环境
conda create -n <name> --clone <FromEnv<name>>    # 迁移环境
conda info -e   # 查看环境
conda activate <name> # 唤醒环境
conda deactivate    # 关闭环境
conda remove -n <name> --all  # 删除环境，也可进入 conda 安装目录下的 /envs/ 删除文件夹
conda list  # 查看环境内工具包

高级技巧

• bat 文件中调用 conda 指令：调用前加入call activate.bat指令
• 创建纯净环境：我们使用上述指令创建环境后，可以看到，conda 帮我们预装了很多实际上没什么用的包，这无疑会让打包出的程序增加不必要的体积。

  

  anaconda_list

  这里给出一个解决方法：
  1. 在任意目录下新建文件，输入以下内容并保存为 env.txt（名字不重要）。

  @EXPLICIT
  https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64/python-3.9.7-h6244533_1.tar.bz2
  https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64/pip-21.2.4-py39haa95532_0.tar.bz2
  https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64/setuptools-58.0.4-py39haa95532_0.tar.bz2

  2. 该目录下执行conda create --name <name> --file env.txt 这样，一个纯净环境就创建好了，你可以安装 Pyinstaller进行打包前的准备。

pip

python（windows 下）自带的包管理器。其使用一个全局环境，如果需要局部环境，需要与 venv 结合。

pip 使用 requirements.txt 用于声明项目依赖，使用时只需 pip install -r requirements.txt 即可。该文件可以用 pip 导出，也可以自己写模块。可以不写版本，只写每行一个模块名。

语言相关

基本概念

• python 函数传参跟其他语言很像，基本类型是值传递，object, list, dict 是引用传递。
  • 不想传引用就有深拷贝和浅拷贝，这个应该是编程基本概念而不是语言基本概念。
• python 的类型标注只会报警告，运行时不检查。
• python 不支持重载。
• python 的 OOP 是残缺的，即使可以靠一些装饰器逼近。
• 比较偏门的是，else 可以与 try-catch 或 循环 一起使用。

作用域

每个函数自身是一个作用域。python 在作用域内部可以直接读取外部作用域变量，但是无法修改。想要修改外部作用域变量，需要进行“捕获”（非专业用词），使用 global xxx 捕获全局变量，使用 nonlocal xxx 捕获上一级变量。在捕获变量后就可以修改了：xxx = 1，并且可以在其他作用域看到这一次修改。

错误处理

• py 错误处理偏向传统的异常处理。主要关键字是 try, except, else, finally。
• finally 能在 return 和 exit 时执行，但不能在 SYSTERM，os._exit() 时执行。src

module

每个目录 / .py 文件都被视作一个模块。目录模块要添加内容，要写在目录下的 __init__.py。

import xxx 在顶层找模块，import ./xxx 是在当前目录找模块，../ 在上一层找。后两者都是相对引用。使用相对引用时，不能直接 python xxx.py 执行代码，需要 python -m <root_module>.<submodule> 当成模块执行。否则报 ImportError: attempted relative import with no known parent package。

import 和 from import 都会导入整个模块，即使只用 from import 导入了一个函数。模块不能循环导入（不能在 A 中 import B，在 B 中 import A），即模块引用结构需要是 DAG。

print

打印错误信息的时候记得加 file=sys.stderr，打到 stderr。很容易忘。

assert

都写 py 了，性能已经不敏感了，不如多做点防御性编程。

assert need_be_true(), "error message"

assert 的 error message 不是 & 不能改红色，还会打堆栈，让我很不爽。

实际上在使用测试时基本上用的都是测试框架自己的 assert，优势是可以打印值。用系统 assert 一般只是拿来防御性编程。

传参

• 解耦：* 是解 list，** 是解 dict。

  def fun(a, b):
      print(a, b)
  l = {
      "a": 1,
      "b": 2,
  }
  fun(**l)

  但是要注意，使用条件很严格，参数不能多也不能少。我没有找到一个比较好的设置 default 的方法。
• 多参：类似的。这个倒是能较为简单地 set default。

  def fun(*args, **kwargs):
      kwargs.setdefault("c", 3)
      pass
  fun(1, 2, a=1, b=2)   # args: [1, 2]  kwargs: {"a": 1, "b": 2, "c": 3}

yield

返回 Generator，看成是暂停函数，在需要值时再执行。

def a():
  for i in range(1,5):
    yield i
b = a()
print(next(b))

语法糖

format string

只要不是对向前兼容性要求非常高的程序，一般都使用 f-string (>=python 3.6)，而不是 % 这种老方法了。你喜欢 cout 还是 printf？

不讲太多格式化，讲一个：

a = 1
print(f"{a = }")
# a = 1

打日志挺方便的。

map & filter

a = [1, 2, 3]
b = [i**2 for i in a if i <= 2]
# b = [1, 4]

当然也有正经的 map() & filter()，不过还要转回 list，还要嵌套一堆括号，看着确实丑。

supress

“抑制”

from contextlib import suppress
with suppress(Exception):
    something_could_go_wrong()
# 能少写两行。等价于
# try:
#     something_could_go_wrong()
# except Exception:
#     pass

walrus operator

if 和 while 里创建临时变量用的。简单清晰，容易控制生命周期。

Decorator

装饰器本质上是回调的语法糖。external 3. 是一篇讲的很好的装饰器文章。external 9. 介绍了装饰器与 class 混杂使用的技巧。

builtin decorators

这篇文章讲了一些常用的自带装饰器，主要是重载，OOP。

• functools.lru_cache：当函数入参相同时，重复利用缓存。
  • 也有一个 functools.cache，== lru_cache(maxsize=None) (ref)
• dataclasses.dataclass：自动生成函数，简化开发。

match

python 在 3.10 引入了 match 语法，并且可以在 case 中接 if。但是 match 有两个缺点：

1. 3.10 对保守派是很高的要求。对于一些老库来说，为了兼容性考虑，它们往往不会选择 match。
2. match 和 case 需要两个缩进，而 if-elif 链只需要一个缩进。

自带模块

这里的模块都不需要额外安装。python 自带。

logging

使用 logging（py 自带） 进行能够控制等级的输出。基本用法：

import logging
logging.basicConfig(level=logging.INFO)
logging.info("nexturl: %s", nexturl)
# 如果要保存到文件：
logging.basicConfig(filename='...', encoding='utf-8')

pprint

pretty-print，打印嵌套数据结构比较好看。pprint 不能打印 object 信息。

from pprint import pprint
pprint({"a": 1, "b": 2})  # {'a': 1, 'b': 2}
pprint(an_obj)  # <__main__.o object at 0x00000234DC0FAF60>

configparser

configparser 做 config 对客户而言比较新手友好，至少不会像 json 那样多加 / 少加 ,。不过 json 兼容性比较好。

from configparser import ConfigParser
config = ConfigParser()
config.read("config.ini")                   # 读
config.get(section, option, fallback="")    # 获取（带默认值）
config[section][option] = value             # 新增 / 修改
with open("config.ini", "w") as configfile:
  config.write(configfile)                  # 写

configparser 被设计成尽可能兼容所有 config，因此可以自定义分隔符，注释符等。

subprocess

写脚本必不可少的东西，可以向终端发出信息。代替 os.system()。

from subprocess import run  # 官方建议使用 run 代替所有其他低阶函数
run("ls", "-al", check=True)  # check=True 表示遇到错误则发出异常，= run(..).check_returncode()
run("ls | grep py", shell=True) # shell=True 无需拆分命令，如果碰到管道或复杂指令还是不要难为自己
run("ls", "-al", capture_output=True, text=True).stdout # 以字符串获取输出

pathlib

操作文件的高阶抽象。用过 pathlib 以后就再也回不去 os 了（）

from pathlib import Path
Path(Path("123"))   # 碰到不清楚是 str 还是 Path 的路径，可以无脑转为 Path
Path("xxx") / "asd" # 连接路径（理解为重载了 / 号）
str(Path("xxx").absolute()) # 返回绝对路径字符串
Path("a.py").read_text(encoding="utf-8")  # 读取，write_text 是写入
Path("a.db").read_bytes()   # 读取，write_bytes 是写入
Path("a.py").unlink()  # 删除文件
Path("a.py").rmdir()   # 删除文件夹
# 也可以做到创建（touch），改权限（chown），链接（hardlink_to）等等，边用边搜。

timeit

benchmark.

from timeit import timeit
def a():
    pass
print(timeit(a,number=10000))

pickle

对象序列化极为简单无脑。弱类型语言的大优势。

import pickle
...
soup = BeautifulSoup(response.content, "html.parser")
with open("soup.test", "wb") as f:
    pickle.dump(soup, f)    # serialize
with open("soup.test", "rb") as f:
    soup = pickle.load(f)   # deserialize

可以用 pickle 实现一个简单的 cache。

urllib

永远不要手动处理 url！！请使用 urllib，否则会出现一些很荒谬的 bug。

构造 url 可以用 posixpath.join() + urllib.parse.join() (ref)

tempfile

跨平台获取临时文件夹。用来测试文件操作比较好用。

from tempfile import TemporaryDirectory
with TemporaryDirectory() as tmp_dir:
    tmp_dir = Path(tmp_dir)   # tmp_dir 是 str
# 离开作用域自动销毁

pytest 有内置 tmp_dir。

常用外部包

pandas

数据表处理库，一般用来处理 ms 那堆玩意。

import pandas as pd
file = pd.ExcelFile("a.xlsx")
for name in file.sheet_names:
    sheet = pd.read_excel(file, sheet_name=name)
    for _, row in sheet.iterrows():
        print(row["姓名"])

我个人是不喜欢用 pandas 的，因为它的语法过于晦涩诡异^[2]。如果需要读取 csv/xlsx，可以查看 external 5. Fastest Way to Read Excel in Python 选择其他工具。

一行代码更换 pandas 后端，可以大幅提升读取速度。(src)

测试

python 测试的最佳实践是将测试写在模块外的 tests/ 里，但我并不喜欢。

unittest

我比较习惯单元测试，即将 test 函数与本身的定义写在一个文件里。因此可以直接使用最简单的 test 形式：

if __name__ == "__main__":
    def test_xxx():
        pass
    test_xxx()

当然，最好用自带的 unittest 包装一下，可以获取测试时间等。unittest 基础使用非常简单，具体的可以看文档用例。

python -m unittest ./**/*.py  # 测试当前文件夹下所有 unittest，类似 `pytest .`

但是 unittest 有个致命缺陷就是它支持 async function，但是不支持异步执行。。我非常无语。

pytest

tutorial

这是一个复杂的测试框架。显然其支持异步执行测试用例，还有其他方便的特性。

• 测试某个函数：pytest <relative_path>::<function_name>

兼容性测试

有时候需要跨 python 版本进行测试。

首先，最朴素的手动测试要求电脑上安装不同的 python 版本。一般的包管理器都不负责管理 python 版本，但是 poetry 可以通过 poetry env use <binary> 指定对应版本的可执行文件。至于安装：

scoop

pacman

pyenv

其次，如果有足够的 testcase，也可以考虑使用 nox，这是一个测试框架，不过我还没试用过。

GUI

一些 GUI 框架。（大部分都没用过）

• CustomTkinter
• PySimpleGUI：真的很简单 / 简陋，but it works
• nicegui：基于 web 的
• Tkinter-Designer
• Flet：跨平台 Flutter 应用
• BeeWare（toga）：原生跨平台

CustomTkinter

用过，文档没搜索功能，该有回调的地方不给回调，关联变量只能 get 不能 set。。。

系统需要有 tkinter，例如 archlinux 需要安装 tk。

爬虫与自动化

我其实只会一点简单的爬虫。简单的就 request + fake-useragent + BeautifulSoup4 html 解析，复杂一点的话直接模拟浏览器。

模拟浏览器

之前用过 playright 做一些疫情时的健康打卡相关（学长的项目），感觉一般。

然后寻找其他框架，发现一个国人写的 DrissionPage，虽然比较青涩，但是做一些简单的自动化非常简单。顺带提了个微小改进使用体验的 pr。

DrissionPage 用的是自创的元素选择器，需要看文档。

以下是一个简单的样例。

from DrissionPage import ChromiumPage
page = ChromiumPage()
page.get("https://public.ecustpt.eu.org/mybonus.php")
buttons = page.eles("tag:input")
i = buttons[0]
if i.attr("value") == "1":
    i.click()

图像相关

从网站获取图片

import requests
from PIL import Image
from io import BytesIO
response = requests.get(src)
image = Image.open(BytesIO(response.content))
image.show()

截屏

from PIL import ImageGrab
img = ImageGrab.grab(bbox=(0, 0, 1920, 1080))   # 注意改为你需要截屏的分辨率

多图片转 pdf

import img2pdf
temp = [BytesIO(...), BytesIO(...)]
# temp 也可以是字符串数组，包含本地图片路径
with open('第二册答案.pdf', "wb") as f:
    write_content = img2pdf.convert(temp)
    f.write(write_content)

Image 对象转为 bytes

有时候需要对图片对象转为字节码以在不同函数间流通。（不统一对象的坏处）

import io
def img2Byte(img:Image) -> bytes:
    imgByte=io.BytesIO()
    img.save(imgByte,format='JPEG')
    byte_res=imgByte.getvalue()
    return byte_res

高斯模糊

注意

请不要试图使用 cv2 对 Image 对象进行操作。(fuck cv2)

from PIL import Image,ImageFilter
img = img.filter(ImageFilter.GaussianBlur(radius=1.5))

使用此内置函数进行高斯模糊将无法改变 sigma 的值。

ORM

ORM (Object-relational mapping)，数据关系映射。此处特指 python 实现的数据库 ORM。

最出名的 python ORM 应该是 sqlalchemy 吧。但是其文档比较烂，我觉得其设计并不哲学。所以我个人不喜欢这个。

然后是 django 的基于 model 的内置 ORM，由于使用 django 的人较多，因此也比较有影响力。我在下面有提到这个。

读过 pony 的文档与 tutorial 后，我觉得这个设计不错。

这些文章 (1 2) 也介绍了一些其他 ORM。

django

django 能够快速搭建一个网站。

django 的前后端是深度耦合的，前端大概只能使用传统三件套（但是据说可以用 GraphQL 做中间层与框架式前端进行交互，没试过），后端自然就是 python 了。

数据库

由于我平常接触的不是 django 开发而是运维，所以这里主要讲讲数据库内容。

django 做了 ORM。django 官方支持这些数据库。

首先进行数据库操作前需要选择 model（可以理解为选表）。具体看 models.py 的实现。

from Djangoxxx.models import <module_name>

然后根据需求选出 object 或者 queryset.

qs = <module_name>.objects.all()
obj = <module_name>.objects.get(id='xxx')
qs = <module_name>.objects.filter(FinishTime__range=[datetime(2023, 1, 1, 00, 00),datetime(2023, 11, 5, 00, 00)])  # 区间筛选 datetime

再进行进一步处理。

c = qs.values_list('price', flat=True)  # 获取某一列(colume)
print(c[0])             # 然后类似 list 形式操作取值
obj = qs.get(id='xxx')  # 可以从 queryset 中取 object
print(obj.id)           # 然后从 object 中取值

取了值就可以爱干啥干啥了。我不太习惯高层次的抽象，因此类似求和啥的虽然 django 也提供了 django.db.models.Sum，但有查文档的功夫早都写好了，还是自己做吧。

性能分析

use cProfile:

import pstats
import cProfile
cProfile.run("my_function()", "my_func_stats")
p = pstats.Stats("my_func_stats")
p.sort_stats("cumulative").print_stats()

打包

nuitka

这玩意文档只能说一般，甚至没有 --help 好用。

• 安装（poetry）：poetry add --group dev nuitka

• 我使用的打包指令：

  nuitka3 --run --follow-imports --prefer-source-code --clang --disable-console --noinclude-pytest-mode=nofollow --noinclude-setuptools-mode=nofollow --plugin-enable=upx main.py

  • --clang 是选择 C 编译器，不用 clang 的话就不指定。
  • --disable-console，因为我打包的是 GUI 程序。
  • --plugin-enable=upx 使用 upx 插件能够压缩程序大小。需要已安装 upx。

• 其他命令：自行 nuitka3 --help 查看

Pyinstaller

简单粗暴的传统打包工具。

不再使用

Pyinstaller 会打包当前环境的所有模块，一般需要隔离出虚拟环境进行打包，参考 poetry / miniconda。

并且若需要减小打包体积，则需要考虑创建纯净环境。

安装

pip install pyinstaller -i https://pypi.tuna.tsinghua.edu.cn/simple

命令

在.py 目录下，所需环境内执行pyinstaller -D xxxx.py

参数解释：

• -D 打包为目录文件
• -F 打包为单个 exe 文件
• -w 运行时不显示命令窗口
• -i <icon.ico> 设置图标

cx_Freeze

不好用，文档一坨，编译还爆栈了。

发布

把包发布到 pypi，就能被 pip install 了。

1. 注册一个 pypi 账号。
   • 需要 2FA，用 github 的肯定不陌生。
   • 需要申请一个 API token：account 向下滑就有。
2. 使用工具构建并发布。
   poetry

   参考此文。

   1. 写 pyproject.toml。
      • poetry 能够自动推断需要打包的模块。如果 name 与 module name 不同，需要 packages=[{include="..."}]。
      • 如果目标是一个 binary，需要添加入口点。

        [tool.poetry.scripts]
        <bin name> = '<module>:<function>'

   2. build & upload

      poetry config pypi-token.pypi <API token>
      poetry publish --build

   setuptools

   1. 写 setup.py。可以用 GPT 生成，也可以去抄几份。
   2. 在 $HOME/.pypirc 下写入

      [pypi]
      username = __token__
      password = <API token>

   3. 打包上传，工具任选。
      • twine:

        pipx install twine
        python3 setup.py sdist bdist_wheel
        twine upload dist/* --verbose

      • setuptools

        python3 setup.py sdist upload

其他工具

• 代码混淆

一些问题

为什么不该使用 pipx

历史事件

在一次迁移 python 的过程后，我再次使用 pipx 及其安装的软件，报错 python not found（指向我原先的 python 位置）。

我纳闷了，我直接 python 能用，也把所有环境变量全改成了新 python 的位置，检查了好几次，为啥还是不能用？

然后重装 pipx：

pip install --upgrade --force-reinstall pipx -i https://pypi.tuna.tsinghua.edu.cn/simple

仍然不行。后来在 ~/.local/pipx/shared/pyvenv.cfg 找到了没改过的 python 路径。

原来你 TM 重装是不动配置文件的啊，卸了卸了。

后话：

• 正常的包管理器，例如 pacman，卸载时会将配置存为 *.pacsave
• 路径不用环境变量存，就已经够奇怪了，更别说还保留 python 的绝对路径。。明明 python 自己有环境变量。

• pipx 安装甚至没有进度条。虽然说责任在 setuptools。
• pipx 只会为当前用户安装，而不是全局。
• 实际上对于全局用 pip，虚拟环境开 poetry 的我来说，pipx 确实是一个没必要存在的东西
  • 但是在 linux 上不允许全局使用 pip，除非 --break-system-packages。所以 pipx 还是有用武之地的。

找不到 pip

执行 python -m pip install --upgrade pip 后报错：

ERROR: Could not install packages due to an OSError: [WinError 5] 拒绝访问。: 'c:\python310\scripts\pip.exe'

之后再使用 pip 命令时，就会不断报错，找不到 pip。我觉得很怪。C:\Python310\Scripts 路径下也能找得到 pip.exe，环境变量也没改。我在当前路径下打开 cmd ，执行 pip，然而还是不能正常使用。 （忘了报什么错了） 鼓捣了一会儿，试图使用离线安装，提示找不到 wheel.exe.

最终解决方法：在此处下载 .tar.gz，解压后在目录下执行：

python setup.py build
python -m pip install --upgrade pip --user

external

1. The Right Way to Run Shell Commands From Python
2. Python 小整数与大整数的处理机制以及整体解释与逐行解释的区别
3. Python 修饰器的函数式编程
4. Python Type Hints 简明教程（基于 Python 3.12）
5. Fastest Way to Read Excel in Python
6. What the f*ck Python! 🐍 一些有趣且鲜为人知的 Python 特性.
7. Python Gotcha: strip, lstrip, rstrip can remove more than expected
8. How I manage Python in 2024
9. 如何在 class 内部定义一个装饰器？
10. Dive-into-cpython

---

1. 不读系统代理，不能配置代理，不做错误处理，不具有可读性 ↩︎ ↩︎

2. 我的一些抱怨；如果要看优美的表处理语法，建议看看 Pony ORM。 ↩︎