Einheitliche Python-Umgebungen: von venv und Conda zu uv

Startseite » Python » Einheitliche Python-Umgebungen: von venv und Conda zu uv

Die Arbeit mit Python in realen Projekten offenbart schnell eine schmerzhafte Wahrheit: Eine einzige globale Python-Installation reicht nicht aus. Sobald man mehrere Anwendungen gleichzeitig nutzt, stößt man auf Abhängigkeitskonflikte, Versionsunterschiede und das altbekannte Problem „Es funktioniert auf meinem Rechner“. Eine Anwendung benötigt Django 2.2, eine andere Django 4.2, eine Datenpipeline verwendet pandas 1.3, während ein Notebook pandas 2.0 erwartet – alles systemweit zu installieren, führt unweigerlich zu Problemen.

Einheitliche und isolierte Python-Umgebungen sind der Ausweg aus diesem Schlamassel. Durch die Kombination virtueller Umgebungen können moderne Abhängigkeitsmanager wie Pip, Conda, Poesie, Pipenv, pdm und Hochleistungswerkzeuge wie uvSie können jedem Projekt seine eigene Python-Version und sein eigenes Paketset zuweisen, Ihr Betriebssystem-Python beibehalten und Setups zuverlässig auf verschiedenen Maschinen, CI/CD-Pipelines und Produktionsservern reproduzieren.

Warum einheitliche Python-Umgebungen so wichtig sind

Im Mittelpunkt aller Entwicklungsumgebungstools steht die Notwendigkeit, Abhängigkeiten zwischen Projekten zu isolieren. Eine systemweite Python-Installation kann nur jeweils eine Version jeder Bibliothek enthalten, doch in realen Projekten ist man sich selten auf eine einzige Version einig. Wenn Anwendung A ein Paket auf Version 1.0 festlegt und Anwendung B Version 3.0 benötigt, führt die globale Installation der einen Anwendung unweigerlich zu Problemen mit der anderen.

Virtuelle Umgebungen lösen dieses Problem, indem sie separate Installationsverzeichnisse erstellen, von denen jedes seinen eigenen Python-Interpreter und eigene Site-Packages enthält. Man kann sich jede Umgebung als ein eigenes kleines Python-Universum vorstellen: Ein Projekt verwendet möglicherweise Flask 1.1, ein anderes Flask 2.0, ohne dass es zu Konflikten kommt. Die Aktualisierung einer Bibliothek in einer Umgebung hat keine Auswirkungen auf alle anderen Projekte.

Diese Isolation ist in Teamumgebungen und Produktionsumgebungen von entscheidender Bedeutung. Ohne diese Funktion kann ein Entwickler, der ein vermeintlich kleines Update installiert, einen älteren Dienst plötzlich zum Absturz bringen, oder ein CI-Job kann erfolgreich abgeschlossen werden, während die Produktionsumgebung aufgrund unterschiedlicher Bibliotheksversionen fehlschlägt. Umgebungen, Sperrdateien und reproduzierbare Installationen beseitigen diese Zufälligkeit.

Vereinheitlichte Arbeitsabläufe zielen darauf ab, all dies unter einer einzigen, konsistenten Toolchain zusammenzuführen. Anstatt pip, venv, virtualenv, pyenv, Conda, requirements.txt und beliebige Shell-Skripte manuell zu vermischen, versuchen moderne Tools wie uv, eine einheitliche Schnittstelle zum Erstellen von Umgebungen, Auflösen von Abhängigkeiten, Sperren von Versionen, Ausführen von Befehlen und sogar zum Erstellen und Veröffentlichen von Paketen anzubieten.

Klassische virtuelle Python-Umgebungen: venv und virtualenv

Die in Python integrierte Antwort auf isolierte Umgebungen ist die venv Modul, eingeführt in Python 3.3. Es wird mit Python 3 ausgeliefert, sodass Sie nichts Zusätzliches installieren müssen. venv Die Umgebung ist einfach ein Verzeichnis, das einen Python-Interpreter und die Standardbibliothek enthält. pip und Aktivierungsskripte.

Um eine einfache virtuelle Umgebung zu erstellen, führt man üblicherweise einen Befehl wie den folgenden aus: python -m venv .venv aus Ihrem Projektordner. Dadurch wird eine Datei erstellt. .venv/ Verzeichnis mit allem, was zum isolierten Ausführen Ihrer Anwendung benötigt wird. Verwendung des Namens .venv hält es in vielen Dateimanagern und Terminals verborgen und vermeidet Konflikte mit .env Dateien, die für Umgebungsvariablen verwendet werden.

Sobald die Umgebung erstellt ist, aktivieren Sie sie, damit Ihre Shell diese Python-Version anstelle der Systemversion verwendet. Unter Windows führt man etwa Folgendes aus: .venv\Scripts\activate; unter Unix oder macOS verwendet man typischerweise source .venv/bin/activateFür andere Muscheln wie z. B. csh or Fischalternative Aktivierungsskripte wie activate.csh , activate.fish zur Verfügung gestellt.

Nach der Aktivierung wird in Ihrer Eingabeaufforderung normalerweise der Name der Umgebung angezeigt und python , pip Befehle werden automatisch auf diese Umgebung beschränkt. Sie können Bibliotheken installieren, Skripte ausführen und Code debuggen, ohne globale Pakete zu verändern. Wenn Sie fertig sind, genügt ein einfaches deactivate kehrt zum System-Python zurück.

Vorher venv Da diese Tools existierten, nutzten Entwickler sie häufig. virtualenvund es ist immer noch sehr beliebt. virtualenv Funktioniert auch mit älteren Python-Versionen (einschließlich Python 2) und bietet zusätzliche Optionen, wie z. B. die Auswahl eines bestimmten Interpreters mit --python=/path/to/python, wodurch schnellere Umgebungen durch Optimierungen geschaffen werden oder indem gesteuert wird, ob globale Site-Pakete sichtbar sind.

Konzeptionelle Sichtweise: Umgebungen als isolierte Küchen für Ihren Code

Ein hilfreiches mentales Modell ist es, sich selbst als Koch mit mehreren charakteristischen Gerichten vorzustellen. Anstatt ein einziges Grundrezept ständig zu ändern, erstellt man für jedes Experiment separate Kopien. Jede Kopie kann ihre eigenen Zutaten, Techniken und Garzeiten verwenden, ohne das Originalgericht zu gefährden. Virtuelle Umgebungen in Python funktionieren genau so: Jedes Projekt erhält sein eigenes Rezept und seine eigene Auswahl an Zutaten.

In der Praxis ist eine virtuelle Python-Umgebung ein in sich geschlossener Verzeichnisbaum. Es umfasst einen bestimmten Python-Interpreter, dessen Standardbibliothek und eine lokale site-packages Das Verzeichnis enthält eine Reihe von Aktivierungsskripten. Nach der Aktivierung werden Importe und Paketinstallationen ausschließlich in dieses Verzeichnis und nicht in die globalen Systemdateien eingetragen.

Wenn mehrere Projekte unterschiedliche Versionen derselben Bibliothek verwenden, verhindert diese Isolation, dass es zu Konflikten kommt. Sie könnten beispielsweise eine Umgebung für ein Vonage + Flask-Projekt mit Flask 1.1.2 und eine weitere Umgebung, in der Vonage mit Flask 2.0.1 läuft, verwenden. Beide können auf demselben Rechner laufen, ihre Abhängigkeiten werden jedoch separat verwaltet und installiert.

Virtuelle Umgebungen bilden auch die Grundlage, um das Problem „Aber auf meinem Rechner funktioniert es“ zu vermeiden. Sobald Ihre Abhängigkeiten sauber erfasst und eingefroren sind, können Teammitglieder und CI-Server exakt dieselbe Umgebung nachbilden, wodurch überraschende Fehler aufgrund subtiler Versionsunterschiede drastisch reduziert werden.

Schritt für Schritt virtuelle Umgebungen erstellen und verwalten

Der grundlegende Lebenszyklus einer virtuellen Umgebung ist immer derselbe: erstellen, aktivieren, Pakete installieren, nutzen und nach Gebrauch wieder deaktivieren. Ob Sie verwenden venv, virtualenv Bei Conda ändert sich das Muster im Grunde nicht – nur die Befehle.

Mit virtualenvDer grundlegende Arbeitsablauf sieht in etwa so aus: Installieren Sie es zuerst mit pip install virtualenvÜberprüfen Sie anschließend mit virtualenv --versionUm eine Umgebung zu erstellen, verwenden Sie virtualenv my-env oder einschließen --python=/usr/bin/python3.12 einen bestimmten Dolmetscher ansprechen. Dies erzeugt ein my-env/ Ordner, der Ihre Python-Binärdateien und Bibliotheksverzeichnisse enthält.

Nach der Erstellung aktivieren Sie die Umgebung, um sie zu nutzen. Auf Unix-ähnlichen Systemen, source my-env/bin/activate Das funktioniert; unter Windows verwendet man die Skripte unter my-env\Scripts\Ihre Shell-Eingabeaufforderung zeigt den Namen der Umgebung an, sodass Sie sehen können, welche aktuell aktiv ist, und alle pip Die Installationen werden ausschließlich in dieser Umgebung durchgeführt.

Sobald die Umgebung aktiv ist, wird die Installation der Abhängigkeiten unkompliziert. Du kannst rennen pip install some-package oder Punkt pip zu einem requirements.txt Datei mit pip install -r requirements.txtUm die aktuell installierten Pakete aufzulisten, führen Sie folgenden Befehl aus: pip freeze > requirements.txt damit andere die gleiche Konfiguration nachbilden können.

Wenn Sie mit dieser Umgebung vorerst fertig sind, führen Sie Folgendes aus: deactivate Um zur vorherigen Python-Version Ihrer Shell zurückzukehren. Wenn Sie die Umgebung wirklich nicht mehr benötigen, können Sie einfach das zugehörige Verzeichnis löschen; der Ordner ist nichts Magisches, es handelt sich lediglich um Dateien auf der Festplatte.

Effektive Nutzung von pip in virtuellen Umgebungen

Der Standard-Python-Paketmanager, pip, ist Ihre Hauptschnittstelle zum Installieren, Aktualisieren und Entfernen von Bibliotheken innerhalb einer Umgebung. Wenn Ihre Umgebung aktiv ist, pip Der Befehl manipuliert nur diese Umgebung, nicht Ihr System-Python.

Gängige Unterbefehle umfassen install, uninstall, show, list , freeze. Die Installation der neuesten Version eines Pakets ist ganz einfach wie pip install package-nameFalls Sie eine exakte Version benötigen, können Sie die folgende verwenden: == beispielsweise der Operator. pip install requests==2.31.0Bei einem erneuten Installationsvorgang wird erkannt, dass die Version bereits vorhanden ist, und die Neuinstallation wird übersprungen, es sei denn, Sie ändern die Version oder fügen etwas hinzu. --upgrade.

Um zu erkunden, was aktuell installiert ist, pip list bietet Ihnen einen Überblick, pip show package-name Druckt Details zu einem bestimmten Paket aus. Wenn Sie für die Bereitstellung einen maschinenlesbaren Snapshot benötigen, pip freeze Gibt alle Pakete und genauen Versionen aus, die Sie üblicherweise schreiben requirements.txtDiese Datei kann dann zusammen mit Ihrem Code in der Versionskontrolle gespeichert werden.

Installation von requirements.txt So erschafft man eine Umgebung an einem anderen Ort. Ein Kollege, ein CI-Job oder ein Server würde zuerst eine virtuelle Umgebung erstellen und aktivieren, dann ausführen pip install -r requirements.txtDa die Datei Versionen festlegt, erhält man auf jedem Rechner nahezu identische Umgebungen, vorausgesetzt, das zugrunde liegende Betriebssystem und die Python-Version sind kompatibel.

Während pip ist unglaublich flexibel, es ist bewusst niedrigstufig gehalten, weshalb darauf aufbauend höherstufige Werkzeuge entwickelt wurden. Tools wie pip-tools, Poetry, Pipenv , uv Aufbauend auf der Idee der Fixierung von Abhängigkeiten, werden Auflösung, Sperrung, Umgebungsverwaltung und mehr automatisiert.

Conda-Umgebungen für wissenschaftliche und datenintensive Workloads

Für Data Science, maschinelles Lernen und rechenintensive Codes bevorzugen viele Teams Conda als deren Umgebungs- und Paketmanager. Conda ist sprachunabhängig und kann sowohl Python selbst als auch Systembibliotheken wie BLAS, LAPACK oder CUDA installieren, was es ideal für komplexe Stacks macht, die kompilierte und interpretierte Komponenten mischen.

Um mit Conda zu beginnen, installieren Sie entweder Anaconda oder Miniconda. Anaconda wird mit einer Vielzahl vorinstallierter Pakete ausgeliefert, während Miniconda ein schlankerer Installer ist, der nur Conda, Python und einige grundlegende Komponenten enthält. Alles Weitere kann nach Bedarf hinzugefügt werden. Die meisten Entwickler verwenden Miniconda, um die Installation schlank zu halten.

Die Erstellung einer Conda-Umgebung erfolgt mit conda create --name my-envoptional hinzufügen python=3.11 oder bestimmte Pakete wie numpy or pandas auf derselben Befehlszeile. Conda wird Abhängigkeiten auflösen, geeignete Builds für Ihre Plattform herunterladen und diese in einem isolierten Umgebungsverzeichnis ablegen, das von Conda selbst verwaltet wird.

Aktivierung und Deaktivierung werden von folgenden Personen übernommen: conda activate my-env , conda deactivate. Sobald die Aktivität aktiviert ist, können Pakete mit installiert werden conda install nutzt die Repositories von Conda, die häufig optimierte Binärdateien ausliefern. In vielen Arbeitsabläufen kombiniert man Conda für umfangreiche wissenschaftliche Bibliotheken mit pip Bei allgemeineren Python-Abhängigkeiten empfiehlt es sich, zuerst die Conda-Pakete und anschließend die pip-Pakete zu installieren, um Konflikte zu minimieren.

Conda glänzt auch dann, wenn Sie komplette Umgebungen exportieren und klonen müssen. Mit conda env export > environment.yml Sie erfassen nicht nur Python-Pakete, sondern auch Metadaten wie Plattform und Kanäle. Auf einem anderen Rechner, conda env create -f environment.yml Es wird eine identische Umgebung geschaffen, was sich hervorragend für die Reproduzierbarkeit von Forschungsergebnissen und für kollaborative Projekte eignet.

Moderne Projektmanager: pip + venv vs Pipenv, Poetry, pdm und uv

Im Laufe der Zeit hat sich das Python-Ökosystem von „pip + virtualenv + requirements.txt“ zu meinungsstärkeren Werkzeugen weiterentwickelt, die Abhängigkeitsmanagement, Umgebungen und Paketierung vereinheitlichen. Das klassische Trio funktioniert zwar immer noch gut, aber viele Teams bevorzugen mittlerweile integrierte Arbeitsabläufe.

Traditionelle Systeme basieren auf pip , virtualenv or venv, mit einem handgefertigten requirements.txt Datei. Sie erstellen manuell eine virtuelle Umgebung, aktivieren diese, installieren Abhängigkeiten und pflegen Ihre eigene Logik zum Einfrieren und Aktualisieren. Dieser Ansatz ist äußerst flexibel, aber auch fehleranfällig, wenn die Teams nicht diszipliniert vorgehen.

Pipenv bot eine höherwertige Schnittstelle durch die Kombination von Abhängigkeitsmanagement mit automatischer Erstellung virtueller Umgebungen. Es verwendet Pipfile , Pipfile.lock Um Ihre Abhängigkeiten zu beschreiben und festzulegen. In der Vergangenheit waren die Abhängigkeitsauflösung und die Leistung von Pipenv mitunter langsam, was dazu führte, dass Nutzer nach Alternativen suchten.

Poetry geht noch einen Schritt weiter und bietet einen vollständigen Projektmanager, der Abhängigkeiten, Builds und die Veröffentlichung in einem einzigen Tool verwaltet. Es basiert auf dem modernen pyproject.toml Standard (PEP 621) und schreibt einen poetry.lock Datei im TOML-Format. Poetry ist in der Regel robust bei der Auflösung von Abhängigkeiten, unterstützt Versionsbeschränkungen elegant und ermöglicht die einfache Veröffentlichung auf PyPI mit Befehlen wie beispielsweise poetry publish.

pdm ist ein weiterer moderner Manager, der ebenfalls verwendet pyproject.toml und konzentriert sich auf einen schnellen und PEP-konformen Arbeitsablauf. Es unterstützt sowohl virtuelle Umgebungen als auch alternative Ansätze wie PEP 582 (lokal). __pypackages__ Verzeichnisse) und bietet erweiterte Auflösungs- und Projektmanagementfunktionen, die mit Poetry vergleichbar sind, wobei Geschwindigkeit und Flexibilität im Vordergrund stehen.

In letzter Zeit, uv ist als leistungsstarkes, einheitliches Werkzeug erschienen, das so etwas wie Cargo für Python sein will. Es versteht sich als eine einzige in Rust geschriebene Binärdatei, die mehrere Funktionen bündelt: Auflösung von Abhängigkeiten, Umgebungsverwaltung, Installation der Python-Version, Skriptausführung, Sperrung, Erstellung und Veröffentlichung.

Was zeichnet uv für einheitliche Python-Umgebungen aus?

uv ist so konzipiert, dass es viele separate Tools durch einen extrem schnellen, integrierten Arbeitsablauf ersetzt. Benchmarks aus dem Projekt zeigen, dass es ohne Cache etwa 8- bis 10-mal schneller ist als pip und pip-tools und mit Cache bis zu 80- bis 115-mal schneller, wodurch das Synchronisieren oder Neuerstellen von Umgebungen nahezu sofort erscheint.

Im Kern bietet uv eine Projekt-API, die das Abhängigkeitsmanagement, die Erstellung von Umgebungen, Sperrdateien und die Ausführung von Tools übernimmt. Befehle wie uv init Ein neues Projekt mit einer grundlegenden Struktur initialisieren: ein pyproject.tomlherunter, eine .python-version Datei und ein Starter main.pyDadurch erhalten Sie ein einheitliches Layout, das nahezu keine manuelle Einrichtung erfordert.

Wenn du rennst uv add some-package, uv erzeugt automatisch ein .venv Umgebung (falls erforderlich), Aktualisierungen pyproject.toml und schreibt eine uv.lock Datei. Die Sperrdatei speichert die exakten aufgelösten Versionen und Hashwerte für jede Abhängigkeit und gewährleistet so reproduzierbare Installationen. Im Gegensatz zu vielen anderen Tools uv.lock ist explizit plattformübergreifend, sodass dieselbe Datei unter Linux, Windows und macOS verwendet werden kann und dennoch deterministische Ergebnisse gewährleistet sind.

Ein weiteres leistungsstarkes Feature ist uv run, wodurch Befehle in der Projektumgebung ausgeführt werden, ohne dass Sie diese vorher manuell aktivieren müssen. Vor der Ausführung stellt uv sicher, dass die Umgebung mit dem aktuellen übereinstimmt. pyproject.toml , uv.lockSo vermeiden Sie, versehentlich Code mit veralteten Abhängigkeiten auszuführen. Dies reduziert die Reibungsverluste bei häufigen Code-Updates. uv sync or uv lock Anrufe.

Für die gelegentliche, einmalige Verwendung von Kommandozeilen-Tools, uv expons uvx , uv tool run. Diese Befehle ermöglichen es Ihnen, CLIs wie diese auszuführen black, pytest or pyinstaller ohne sie dauerhaft als Projektabhängigkeiten hinzuzufügen. Sie sind besonders praktisch in CI-Pipelines oder Skripten, in denen man ein Tool nur kurzzeitig benötigt.

Detaillierte Betrachtung des Pip-Modus und der Konfiguration von uv

Eines der Designziele von uv ist es, ein einfaches Upgrade für viele pip-Workflows zu sein. Bei gängigen Operationen kann man buchstäblich austauschen pip install für uv pip install oder benutzen uv pip sync um eine Anforderungsdatei zu spiegeln. In vielen bestehenden Projekten vereinfacht dies die Implementierung und minimiert das Risiko.

Allerdings ist uv absichtlich kein perfekter Pip-Klon, und einige Unterschiede stellen bewusste Verbesserungen dar. Beispielsweise liest uv die Konfigurationsdateien von pip nicht, wie etwa pip.conf or PIP_INDEX_URLStattdessen verwendet es seine eigenen Umgebungsvariablen wie UV_INDEX_URL und speichert Konfigurationen unter uv.toml oder in der [tool.uv.pip] Abschnitt pyproject.tomlDadurch wird die unbeabsichtigte Kopplung an die sich entwickelnde Semantik von pip reduziert.

Die Indexpriorisierung ist ein weiterer Bereich, in dem uv die Sicherheit standardmäßig erhöht. Um Abhängigkeitskonflikte zu verhindern, bevorzugt uv interne Paketindizes gegenüber PyPI, wenn beide standardmäßig ein Paket mit demselben Namen bereitstellen. Es gibt ein Flag. --index-strategy Dieses Verhalten lässt sich zwar anpassen, aber die sichere Standardeinstellung hilft, subtile Probleme in der Lieferkette in Unternehmensstrukturen zu vermeiden.

Im Gegensatz zu pip ist uv so konzipiert, dass virtuelle Umgebungen das Standardziel für Installationen darstellen. Befehle wie uv pip install , uv pip sync wird in der aktuell aktiven Umgebung installiert oder automatisch erkannt .venv Verzeichnis im aktuellen oder übergeordneten Ordner. Dies lenkt die Aufmerksamkeit weg von globalen Installationen und hin zur projektbezogenen Isolation von vornherein.

Standardmäßig überspringt uv die Kompilierung. .py zu .pyc Bytecode während der Installation, was dazu beiträgt, die rasante Geschwindigkeit aufrechtzuerhalten. Python wird bei Bedarf weiterhin beim Import kompiliert. Wenn Ihnen die Startzeit von CLI-Tools oder Containern wichtig ist, können Sie die sofortige Kompilierung aktivieren mit --compile-bytecode Bytecode zur Installationszeit vorab zu generieren.

Sperrdateien, Exporte und Abhängigkeiten aus mehreren Quellen mit uv

Das uv.lock Die Datei spielt eine zentrale Rolle für die Reproduzierbarkeit von uv. Es handelt sich um ein TOML-Dokument, das alle aufgelösten Pakete, exakte Versionen, Quellcode-Registries, Hashes, Download-URLs, Größen und Upload-Zeitstempel enthält. Im Gegensatz zu pyproject.toml, das Versionsbereiche und Absichten ausdrückt (zum Beispiel requests >= 2.30Die Sperrdatei beschreibt genau die Menge der Artefakte, die installiert werden sollen.

Uv empfiehlt Ihnen, die Sperrdatei in die Versionskontrolle einzuchecken. Auf diese Weise kann jeder Entwickler oder CI-Job, der ausgeführt wird, uv sync or uv pip install Die Sperrdatei stellt sicher, dass auf allen unterstützten Betriebssystemen exakt dieselben Abhängigkeiten vorhanden sind. Dies erhöht das Vertrauen bei der Veröffentlichung neuer Versionen erheblich.

Falls Interoperabilität mit herkömmlichen Werkzeugen erforderlich ist, kann uv andere Formate aus seiner Sperrdatei exportieren. Mit Befehlen wie uv export --format requirements.txt or uv export --format pylock.tomlSie können klassische requirements.txt Dateien oder ein standardisiertes pylock.toml dass andere Tools dies verstehen. Dadurch wird die schrittweise Migration von bestehenden Pipelines deutlich vereinfacht.

Eine weitere fortschrittliche Fähigkeit von uv ist die flexible Handhabung mehrerer Indizes und Quellen. In pyproject.toml Sie können mehrere definieren [[tool.uv.index]] Einträge, zum Beispiel ein PyPI-Mirror, ein PyTorch-Wheel-Index für GPU-Builds oder eine interne Paketregistrierung, und anschließend werden spezifische Abhängigkeiten diesen Quellen zugeordnet unter [tool.uv.sources].

Das bedeutet, dass Sie beispielsweise Folgendes abrufen können: torch aus einem benutzerdefinierten CUDA-Wheel-Index, eine weitere Abhängigkeit direkt aus einem Git-Repository, eine dritte von einer direkten Wheel-URL und noch eine weitere von einem lokalen Pfad im Bearbeitungsmodus – alles innerhalb derselben Projektdatei. Es ist eine leistungsstarke Methode, um komplexe Abhängigkeitsgraphen ohne verstreute Konfiguration zu zentralisieren.

Tools mit uv erstellen, veröffentlichen und ausführen

Neben der Abhängigkeitsverwaltung übernimmt uv auch das Erstellen und Veröffentlichen von Python-Paketen. Um UV als Build-Backend zu verwenden, pyproject.toml braucht ein [build-system] Abschnittsverweis uv_build, Zum Beispiel: requires = ["uv_build >= 0.7.13, < 0.8"] , build-backend = "uv_build"Sie können dies bei der Projektinitialisierung einrichten mit uv init --build-backend uv.

Nach der Konfiguration wird der Befehl ausgeführt. uv build schafft ein dist/ Verzeichnis mit Ihren Quellcode- und Wheel-Distributionen. Diese Artefakte können nun in den von Ihnen gewählten Index oder die interne Registry hochgeladen werden. Uv veröffentlicht sie nicht automatisch; Erstellung und Veröffentlichung sind separate Schritte, um die Kontrolle zu behalten.

Zum Veröffentlichen fügen Sie eine Indexkonfiguration hinzu unter [[tool.uv.index]] mit einem publish-url, wobei häufig auf den Upload-Endpunkt von PyPI verwiesen wird. Beispielsweise könnten Sie einen Index mit dem Namen definieren pypi und url = "https://pypi.org/simple/" , publish-url = "https://upload.pypi.org/legacy/". Dann uv publish wird Ihre erstellten Distributionen dorthin übertragen, ähnlich wie bei der Verwendung von twine aber in dasselbe Tool integriert.

Uv vereinfacht außerdem die Arbeit mit CLI-Tools durch uvx , uv tool run. Statt Dienstprogramme wie pytest, black or pyinstaller Da sie dauerhaft in Ihrer Umgebung verfügbar sind, können Sie sie bei Bedarf aufrufen. Dies ist besonders nützlich für CI-Jobs oder kurzlebige Aufgaben, bei denen Sie die Projektabhängigkeiten minimal halten und gleichzeitig auf ein umfangreiches Tool-Ökosystem zugreifen möchten.

Ein konkretes Beispiel: Wenn Sie eine Python-Anwendung in ein Windows-Paket verpacken. .exe mit automatisierten pyinstaller, uv bietet Ihnen mehrere Optionen. Sie können pyinstaller als Projektabhängigkeit hinzufügen mit uv add pyinstaller und dann ausführen über uv run pyinstaller ...Dadurch wird sichergestellt, dass die Version gesperrt und Teil Ihrer Umgebung ist. Alternativ können Sie für einen schnellen, einmaligen Paketierungsvorgang Folgendes verwenden: uvx pyinstaller ... Es kann ohne formale Installation ausgeführt werden. Beide Ansätze funktionieren mit Projekten, die aus mehreren Dateien bestehen; PyInstaller folgt den Importen und bündelt Module, Ressourcen und sogar heruntergeladene Modelle wie Whisper, sofern diese in Ihrem Code oder Ihrer Spezifikationsdatei korrekt referenziert werden.

Integration von Umgebungen mit IDEs, Notebooks und Workflows

Eine robuste Umgebung zu haben, ist nur die halbe Miete – Ihr Editor und Ihre Tools müssen sie auch tatsächlich nutzen. Beliebte IDEs wie VS Code und PyCharm bieten erstklassige Unterstützung für die Erkennung und Arbeit mit virtuellen Umgebungen, und Jupyter kann diese als separate Kernel registrieren.

In VS Code lässt man die Python-Erweiterung normalerweise automatisch erkennen. .venv Ordner in Ihrer Projektstruktur. Anschließend wählen Sie den passenden Interpreter über „Python: Interpreter auswählen“ in der Befehlspalette aus. Nach der Auswahl verwendet VS Code diese Umgebung für sein integriertes Terminal, den Debugger und die Sprachfunktionen und aktiviert sie automatisch beim Öffnen neuer Terminals.

PyCharm bietet eine ähnlich reibungslose Integration, indem jedem Projekt ein bestimmter Interpreter oder eine virtuelle Umgebung zugeordnet wird. Im Einstellungsdialog fügen Sie eine neue Virtualenv-Umgebung hinzu oder verweisen auf eine bestehende. Anschließend aktiviert PyCharm diese automatisch für alle Laufzeitkonfigurationen und das integrierte Terminal, sodass Sie sich nur selten um die manuelle Aktivierung kümmern müssen.

Für Jupyter Notebooks ist der wichtigste Schritt die Installation ipykernel in Ihre Umgebung einbinden und als Kernel registrieren. Nach dem Ausführen von etwas wie python -m ipykernel install --user --name myenvIhre Umgebung wird in der Jupyter-Kernelliste als „myenv“ angezeigt. Dadurch lassen sich Notebooks einfach mit der jeweiligen Projektumgebung synchronisieren und subtile Abweichungen vermeiden.

Es gibt auch Notebook-zentrierte Tools, die einen Großteil davon abstrahieren. Lösungen, die KI-Assistenten oder Umgebungsautomatisierung integrieren, wie beispielsweise spezialisierte Jupyter-Frontends, können virtuelle Umgebungen automatisch im Hintergrund einrichten und warten, sodass sich Datenwissenschaftler mehr auf Experimente und weniger auf die Einrichtung der Umgebung konzentrieren können.

Häufige Fallstricke und bewährte Verfahren für einheitliche Umgebungen

Selbst mit ausgereiften Werkzeugen stoßen Entwickler bei der Verwaltung von Umgebungen immer wieder auf Probleme. Typische Probleme sind die Verwendung des falschen Python-Interpreters, fehlende Aktivierungsskripte, Ausführungsrichtlinienfehler in Windows PowerShell oder versehentliche Installationen in der globalen Python-Umgebung anstatt in der vorgesehenen Umgebung.

Falls in Ihrer Umgebung die falsche Python-Version verwendet wird, besteht die Lösung darin, diese explizit mit dem korrekten Interpreter neu zu erstellen. Zum Beispiel, python3.11 -m venv .venv or virtualenv --python=/usr/bin/python3.11 .venv stellt sicher, dass die richtige Laufzeitumgebung in die Umgebung integriert ist. Auf Systemen, die pyenvSie können zunächst eine lokale Python-Version auswählen und anschließend Ihre Umgebung darauf aufbauen.

Wenn Aktivierungsskripte zu fehlen scheinen oder fehlerhaft sind, bedeutet dies oft, dass die Umgebung nicht ordnungsgemäß erstellt wurde. Löschen Sie den Ordner und erstellen Sie ihn mit den entsprechenden Dateien neu. python -m venv or virtualenv Der Befehl behebt das Problem in der Regel. Unter Windows müssen Sie möglicherweise die Ausführungsrichtlinie für den aktuellen Benutzer lockern, falls PowerShell die Aktivierung blockiert.

Um zu vermeiden, dass Pakete versehentlich in die falsche Python-Version installiert werden, sollte man immer überprüfen, welche Version installiert ist. python , pip du benutzt. Befehle wie which python or where python (unter Windows) und python -m site Sie können überprüfen, ob Sie sich in der erwarteten Umgebung befinden. Wenn Pfade auf Systemverzeichnisse anstatt auf Ihre Umgebung verweisen, ... .venv Ordner vorsichtig deaktivieren und wieder aktivieren.

Gute Hygiene bei der Namensgebung und Versionskontrolle trägt wesentlich zu wartbaren Umgebungen bei. Verwenden Sie klare, einheitliche Namen für Umgebungen, bevorzugen Sie eine Umgebung pro Projekt und speichern Sie niemals das Umgebungsverzeichnis selbst. Fügen Sie stattdessen Einträge wie folgt hinzu: .venv/ or venv/ auf Ihre .gitignore und verwenden Sperrdateien und Anforderungsdateien, um Umgebungen bei Bedarf wiederherzustellen.

Schließlich erspart die Dokumentation der Erstellung und Aktualisierung von Umgebungen in einem kurzen README-Abschnitt Ihnen und Ihren Teamkollegen in Zukunft viel Rätselraten. Ein einfacher zweizeiliger Codeausschnitt – zum Beispiel python -m venv .venv gefolgt von pip install -r requirements.txt or uv sync – kann das Onboarding erheblich vereinfachen und dafür sorgen, dass Ihre Strategie für eine einheitliche Python-Umgebung im gesamten Team konsistent bleibt.

Durch die Kombination klassischer Tools wie venv, virtualenv, pip und Conda mit modernen Managern wie Poetry, pdm und uv lässt sich ein einheitlicher Umgebungs-Workflow entwerfen, der schnell, reproduzierbar und sicher ist. Jedes Projekt erhält sein eigenes isoliertes Universum, Sperrdateien garantieren konsistente Installationen, IDEs und Notebooks lassen sich nahtlos integrieren, und leistungsstarke Tools wie uv verbinden alles unter einem Dach und verwandeln so die ehemals unübersichtliche Sammlung von Skripten in eine kohärente, verlässliche Grundlage für die ernsthafte Python-Entwicklung.