【Python】这个包管理器真的可以节约你的时间和磁盘空间-uv

在过去的一年左右时间里，我一直在用 Poetry 来管理 Python 的环境和包，它确实帮了我不少忙。不过，出于持续改进的精神和对新鲜事物的好奇心，我开始尝试一款叫做 uv 的工具，据说它可以进一步简化这些任务。我已经玩了它几个月的时间。

uv 是一个超快的 Python 包安装器和解析器，用 Rust 编写，设计上可以作为 pip 和 pip-tools 工作流的直接替代品。

如果你想了解更多关于 uv 的理念和发展历程，可以看看开发者们的 博客文章。

为什么 uv 值得探索

速度与效率

根据 uv 的文档，它的最大亮点之一就是速度。官方宣称能大幅减少包的安装时间，性能据说比 pip 快上100倍。你可以在 这里 查看那些令人印象深刻的基准测试结果。

这个速度潜力挺有意思，不过对我而言这并不是个关键因素，我的项目通常不复杂到需要担心这个问题。大多数时候，我手头有的只是原始数据和几个 Jupyter 笔记本或脚本。但 uv 确实比其他选项（比如 Pip 或 Poetry）更快，这一点总是好的。

磁盘空间利用效率

另一个 uv 强调的功能是它在磁盘空间管理上的方法，类似于 Node.js 生态系统中 pnpm 的工作方式。uv 使用全局缓存来最小化冗余，确保相同的包只存储一次，不论有多少个项目需要用到它们。理论上，这种方法可以避免你的系统因为重复的包而变得臃肿不堪。

这一点一直让我很烦恼：为什么我要把同样的包重新安装到每个虚拟环境中，导致不必要的磁盘占用？现在好了，这问题解决了，真是让人开心。

像 ipykernel 这样的工具仍然需要在每个环境中安装以确保与 Jupyter 笔记本的正确集成。但目前为止，这个设置对我来说运行得非常好。我可以迅速启动新项目，并且感觉比起用 Poetry 时花在调整环境上的时间要少得多。

使用 uv 来处理 Python 安装也是一个非常有用的功能。以前我用的是 pyenv-win，但现在 uv 让我不再需要它。虽然 uv 的工作方式有些不同，但我喜欢它的简单。基本上，uv 会检查你的项目配置文件（当你初始化项目时自动创建，文件以 .toml 结尾），并为你安装必要的 Python 版本。如果你已经安装了所需的 Python 版本，那就好办了，它会识别出来并避免重复安装。

跨平台兼容性

尽管大部分工程师主要是在 Windows 上工作，uv 提供的跨平台支持——涵盖 macOS、Linux 和 Windows——依然值得提一嘴。这一特性保证了如果你需要切换环境，无论是为了特定项目还是合作，你的设置都能保持一致。虽然我用的是 Windows，但知道 uv 能搞定其他平台也让人安心。到目前为止，我的体验非常顺畅。

有些开发人员提到在 Windows/Mac 和 Linux 之间转移项目时遇到了问题，但如果你是位结构工程师，在 Mac 上工作，放下你的手工可颂面包，振作起来吧。

虚拟环境能力

我最喜欢 uv 的功能之一就是它创建虚拟环境的速度有多快多容易。

uv venv

用这条命令，你可以瞬间设置好一个隔离的环境，确保你的项目依赖项与其他项目井水不犯河水。uv 也会从全局缓存中复用包，使得常见的依赖项能够立即安装，进一步加快设置过程。默认情况下，VS Code 会自动识别你的 venv 并与项目同步。这是一个小细节，但却是一个非常贴心的生活质量提升。

通过利用缓存的包，uv 不仅节省了时间，还减少了项目间的冗余。这个功能真的很酷。

有时候东西不太正常，你可能想删除 .venv 文件夹，然后重新创建。超级简单快捷。

如果需要的话，你也可以指定自定义的 venv 名称（例如 my-env）或 Python 版本（例如 3.12.4）。我很少这样做，通常就用 ‘venv’ 作为名称。

uv venv my-env --python 3.12.4

同步你的环境与 uv sync

uv sync 命令旨在让你的虚拟环境与项目的依赖需求保持一致。当你运行：

uv sync

uv 会将当前环境状态与你在 requirements.txt 或 pyproject.toml 文件中指定的依赖进行对比（我个人更喜欢用 pyproject.toml）。然后执行以下操作：

• 安装：为环境中缺少但在依赖列表中列出的任何依赖项进行安装。
• 升级/降级：调整现有包的版本，以匹配你在依赖中指定的版本。这确保了你的环境使用你定义的确切版本，这对避免因版本不匹配而导致的意外行为至关重要。
• 卸载：移除那些已安装在环境中但未在依赖列表中出现的包，使环境保持整洁，免于不必要的膨胀。

你可以在这里查看 uv 命令的详细列表，这样你就能了解你能做些什么。

一步一步教程：使用 UV 设置 Jupyter Notebook

这是一份毫不含糊的教程，目的是让你能够在本地机器上快速启动 Python，并通过 Jupyter Notebook 开始真正的工程工作。

这是我的80%项目的起点。

这份教程略过了 Python 项目设置的一些重要方面，但主要目标是帮助你起步。随着你逐渐熟悉，你会学到更多内部机制。

接下来的几步可能会显得有点晦涩难懂，别担心。随着经验的积累，你会明白 PowerShell 和命令提示符如何成为提高效率的强大工具。

1. 安装 PowerShell

如果你还没有安装最新版的 PowerShell，按照这里的说明进行安装 PowerShell 安装指南。

在这个教程中，我用的是 Version 7.4.5。友情提示 - 安装可能需要几分钟，有时会比较慢。

打开 windows 命令提示符并运行：

winget install --id Microsoft.PowerShell --source winget

2. 安装 uv 并用它来管理 Python

我建议进行一个干净的安装，以便更容易使用，所以假设你还没有安装 Python：

• 使用 PowerShell 安装 uv：

Invoke-WebRequest -Uri https://astral.sh/uv/install.ps1 -OutFile install.ps1; powershell -ExecutionPolicy Bypass -File ./install.ps1

现在 uv 已经安装好了，你可以用它来安装和管理 Python：

• 要安装最新版本的 Python，运行：

uv python install

• 你也可以安装特定版本，比如 uv python install 3.12.6。
• 验证 Python 安装是否成功，可以通过检查版本：

uv python --version

之后，uv 就会接管你的 Python 安装管理工作。

使用 uv 来设置 Python 项目是一个高效且简洁的过程，特别适合那些希望通过 Jupyter Notebook 在 VS Code 中进行数据分析和工程计算的用户。以下是如何用 uv 快速搭建一个基本项目的步骤。

使用 uv 设置 Python 项目

步骤 1: 创建项目文件夹并用 uv 初始化

1. 创建项目文件夹：首先，在你想要存储项目文件的地方创建一个新的文件夹。这个文件夹将成为你的项目目录。你可以通过文件资源管理器或者直接在 PowerShell 中使用如下命令来创建它：

   mkdir flocode_lean_startup
   

2. 进入项目文件夹：创建完文件夹后，使用 PowerShell 进入该文件夹：

   cd flocode_lean_startup
   

3. 用 uv 初始化项目：在项目文件夹中，运行以下命令初始化项目：

   uv init
   

   这个命令会创建默认的项目结构，并设置必要的配置来管理 Python 依赖项。生成的结构通常包括：

   flocode_lean_startup/
   │
   ├── pyproject.toml      # 依赖项和设置的主要配置文件
   ├── README.md           # 项目描述和文档
   └── src/                # 主要源代码目录
       └── __init__.py     # 将 src 初始化为 Python 包
   

   如果你需要的话，现在可以创建并激活虚拟环境：

   uv venv
   

   激活虚拟环境：

   .venv\Scripts\activate
   

   一个不错的特性是，如果你还没有创建虚拟环境，uv 会在你向项目添加任何依赖项时自动创建一个。.venv 文件夹会被自动添加到项目的根目录，使得 VS Code 能够轻松找到它，并推荐作为首选的虚拟环境。这减少了额外的步骤，我真的很喜欢这一点，少了一件麻烦事。

步骤 3: 添加第一个包 (ipykernel)

有了初始化的项目，你现在可以添加 ipykernel 包，这是如果你打算使用 Jupyter Notebooks 的必要条件：

uv add ipykernel

接下来，根据需要安装任何其他包。例如，你可能想要添加 pandas 用于数据操作：

uv add pandas

每个 uv add 命令都会将指定的包添加到虚拟环境中，使其可用于你的项目。

步骤 4: 从现有的 .toml 文件安装

如果你有一个带有 .toml 文件（例如，来自 GitHub 的 flocode 项目），你可以通过运行以下命令轻松安装依赖项：

uv sync

此命令会将 pyproject.toml 和 uv.lock 文件中指定的所有依赖项安装或更新到项目的虚拟环境中，确保你的环境与声明的依赖项匹配。

步骤 5: 创建 Jupyter Notebook 文件

一旦你的包都安装好了，就可以创建一个新的 Jupyter Notebook 文件开始处理数据：

1. 创建笔记本文件：在 VS Code 中，选择 File > New File，命名为 notebook.ipynb，并保存在项目目录中。
2. 打开笔记本：打开此文件，你将能够在笔记本中编写和执行 Python 代码。

步骤 6: 在 VS Code 中选择虚拟环境

创建笔记本后，确保它使用正确的虚拟环境：

1. 打开内核选择器：在 VS Code 中的笔记本文件里，查找笔记本界面右上角的内核选择器。
2. 选择环境：点击选择器并选择与项目关联的虚拟环境（通常是 .venv）。这确保了笔记本使用的是项目虚拟环境中的包和 Python 解释器。

步骤 7: 开始构建

现在你已经准备就绪，可以根据需要添加或移除依赖项。你还可以修改 pyproject.toml 文件以添加许可证信息或项目描述。另一个有用的命令是：

uv pip freeze > requirements.txt 

这条命令会生成一个 requirements.txt 文件，列出当前活动环境中所有已安装的包及其版本。这个文件可以用来在另一系统上重建环境或用于文档目的。

我个人通常使用 pyproject.toml 文件，但许多人更喜欢使用 requirements.txt 文件。

---

总结

到目前为止，我对 uv 的体验非常积极。它已经取代了 Poetry 成为了我的工具箱中的一员。虽然回到旧代码时可能会有些头疼和记忆模糊，但我确实经历了更少的设置烦恼，能够更多地专注于工作——这对我是极其宝贵的。

uv 的速度和效率令人印象深刻。我一直在等待不可避免的问题出现，但至今一切顺利。

我将继续实验并分享我的发现。目前，如果你对优化环境管理感兴趣，我建议尝试一下 uv。

一如既往，我欢迎反馈，并有兴趣听听是否有人也试过 uv。

你是如何管理你的 Python 项目的呢？