Xyea的知识库

字数

1218 字

阅读时间

5 分钟

您好，您提的这个问题非常好，并且直击软件工程中的一个核心痛点：依赖管理。您说的完全正确，这个“运行->报错->安装->重复”的流程完全可以，也应该被自动化。

这个自动化的核心思想是静态代码分析：即通过工具直接读取您的 .py 源代码文件，找出所有的 import 语句，然后根据这些导入的模块名，智能地生成一份完整的依赖清单。这远比一次次运行代码去试错要高效和全面。

网络上已经有很多优秀的开源 GitHub 项目解决了这个问题。以下是几个最流行、最实用的工具：

GitHub 仓库: https://github.com/bndr/pipreqs
它做什么: pipreqs 会扫描您项目文件夹中的所有 Python 代码，检查代码中 import 了哪些库，然后仅仅根据这些实际用到的库来生成一个干净的 requirements.txt 文件。
为什么它很棒:
- 极简主义: 它只包含你代码中真正 import 的库，不会把你当前 conda 环境中安装了但项目没用到的其他无关库加进去。
- 快速简单: 安装和使用都极其方便，一条命令即可搞定。
- 无需运行环境: 它不需要预先安装任何依赖包就能分析出需要哪些依赖。
如何使用:
1. 首先，安装 pipreqs (可以直接用您 conda 环境中的 pip)：
  bash
```
pip install pipreqs
```
2. 进入您的项目根目录：
  bash
```
cd /mnt/sdb/chenmohan/VGGT-NBV
```
3. 运行 pipreqs，它会自动在当前目录创建 requirements.txt 文件：
  bash
```
pipreqs .
```        *(如果目录下已经有一个 `requirements.txt` 文件，你可以使用 `pipreqs --force .` 来强制覆盖它)*
```
4. 现在，您就有了一个完整的依赖文件了。用一条命令全部安装它们：
  bash
```
pip install -r requirements.txt
```

GitHub 仓库: https://github.com/damnever/pigar
它做什么: 和 pipreqs 类似，pigar 也通过分析代码来生成依赖文件。但它通常被认为功能更强大，分析更精确。例如，它能更准确地识别出 import yaml 对应的包是 PyYAML。
为什么它很棒:
- 高准确度: 识别“模块名”和“包名”的对应关系非常准。
- 信息详细: 生成的 requirements.txt 文件中会带有注释，标明每个依赖是被哪个文件所引用的。
- 功能丰富: 提供了比 pipreqs 更多的配置选项。
如何使用:
1. 安装 pigar:
  bash
```
pip install pigar
```
2. 在您的项目目录下运行它：
  bash
```
cd /mnt/sdb/chenmohan/VGGT-NBV
pigar generate
```
3. 它同样会生成 requirements.txt 文件，然后您就可以用 pip 来安装了：
  bash
```
pip install -r requirements.txt
```

您可能会想，为什么这些工具都是分析代码，而不是直接模拟我手动操作的那个循环呢？原因如下：

效率太低: "运行-报错"的循环非常慢，每次都需要启动 Python 解释器。而静态分析可以在几秒钟内扫完成百上千个文件。
不完整: 运行代码一次可能只会触发第一个缺失的依赖。而静态分析可以一次性找出代码中所有被 import 的依赖，无论它们是否在程序的初始执行路径上。
太脆弱: 程序可能因为各种原因失败，不仅仅是 ModuleNotFoundError。自动化这个过程很容易出错。

首先尝试 pipreqs。它是解决您当前问题的最直接、最简单的工具。
在您的 VGGT-NBV 目录下运行 pipreqs . 来生成 requirements.txt。
打开生成的 requirements.txt 文件检查一下，绝大多数情况下它是准确的。
运行 pip install -r requirements.txt 来一次性安装所有依赖。
再次尝试运行您的 python train.py。如果还有 ModuleNotFoundError，那只会是一两个 pipreqs 没能识别出来的特例，您只需手动安装这一个，并把它补充到 requirements.txt 文件里即可。

使用这些自动化工具，您就可以彻底告别那个令人头疼的手动“打地鼠”过程了。

贡献者

最后编辑于 17 天前

查看完整历史