三、为不同项目创建独立环境

https://duckdb.org.cn/docs/stable/ 中文官网

查看Linux系统的GLIBC版本
ldd --version 或者 getconf GNU_LIBC_VERSION
如果是 2.17（典型如 CentOS 7），新版 Miniconda（要求 >=2.28）装不上，得用旧版（比如 Miniconda3-py311_23.10.0-1 或更早）。
如果是 2.28 及以上（比如 RHEL/Rocky/AlmaLinux 8+、Ubuntu 20.04+），最新版 Miniconda 可以直接装。
如果你确实需要 defaults（pkgs/main，比如装 anaconda 元包）
cat > ~/.condarc << 'EOF'
channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
EOF

两个版本共存
sudo ln -sf /usr/local/bin/python3.12 /usr/local/bin/python3
sudo ln -sf /usr/local/bin/pip3.12 /usr/local/bin/pip3
验证两个版本共存
python --version      # 应该还是 Python 2.x（系统原来的）
python3 --version     # 新装的 Python 3.x
which python
which python3

创建一个独立的 Python 环境（DuckDB 官方要求 Python 3.9+，此处推荐使用 3.10，如果GLIBC位2.17,只能指定3.11）：
创建干净环境并安装依赖 conda search python --full-name[查看远程版本】
conda create -n duckdb-python-demo python=3.14 -y
conda activate duckdb-python-demo 【退出 conda deactivate】

# 打包环境
conda activate duckdb-python-demo
pip list   # 或 conda list,确认 duckdb 等依赖都在里面
然后退出虚拟环境
conda deactivate
确认没问题后再回到 base 执行打包命令
确认你在 base 环境下安装。一定要先确认提示符是 (base),再执行安装:
conda activate base
conda install -c conda-forge conda-pack（前面安装了可以跳过）
测试：conda-pack --help
开始打包：conda-pack -n duckdb-python-demo -o duckdb-python-demo.tar.gz

移动到内网环境（可以手动，用duckdb-python-demo全路径进行运行python）
tar -xzf duckdb-python-demo.tar.gz -C ~/miniconda3/envs/duckdb-python-demo
source ~/miniconda3/envs/duckdb-python-demo/bin/activate
conda-unpack
conda deactivate

# 之后就能用标准方式激活
conda activate duckdb-python-demo


git -c http.proxy=socks5://127.0.0.1:7897 -c https.proxy=socks5://127.0.0.1:7897 pull

git add .
git commit -m "first commit"
git -c http.proxy=http://127.0.0.1:7897 -c https.proxy=http://127.0.0.1:7897 push origin main

常用库安装

conda create -n duckdb-python-demo python=3.14 -y

conda activate duckdb-python-demo 【退出 conda deactivate】

conda install -c conda-forge duckdb

pandas pyarrow numpy polars 数据分析核心库

matplotlib plotly pyecharts 图表库

openpyxl xlsxwriter [ Excel报表,xlsxwriter生成复杂报表更强。]

reportlab PDF报表

requests HTTP 请求爬虫（最常见）登录态处理: session = requests.Session() session.post(login_url) session.get(data_url)

beautifulsoup4 lxml HTML 解析

Playwright playwright-stealth Selenium 【UI页面自动化】

fastapi uvicorn jinja2 【传统web项目】

scipy statsmodels 统计分析

streamlit dash [BI报表/Dashboard【dash】]

将名为 duckdb-python-demo 的环境打包为 duckdb-python-demo.tar.gz

进去先安装
conda activate duckdb-python-demo
pip list   # 或 conda list,确认 duckdb 等依赖都在里面
然后退出虚拟环境
conda deactivate
确认没问题后再回到 base 执行打包命令
确认你在 base 环境下安装。一定要先确认提示符是 (base),再执行安装:
conda activate base
conda install -c conda-forge conda-pack（前面安装了可以跳过）
测试：conda-pack --help
开始打包：conda-pack -n duckdb-python-demo -o D:\soft\duckdb-python-demo.tar.gz

如果你需要在 Windows、macOS、Linux 上统一管理 Python 环境，推荐直接使用 Miniconda（轻量）或者 Anaconda（自带大量科学计算库）。

一、安装 Conda

方案1：Miniconda（推荐）

体积小，只安装 Conda 和 Python。

官方下载：

Miniconda 官方下载页

Windows

下载：

Miniconda3 Windows x86_64 Installer

安装时建议：

✓ Just Me
✓ Register Miniconda as default Python
✓ Add shortcut
✗ Add Miniconda to PATH

安装完成后打开：

Anaconda Prompt

验证：

conda --version

macOS

Intel：

bash Miniconda3-latest-MacOSX-x86_64.sh

Apple Silicon(M1/M2/M3)：

bash Miniconda3-latest-MacOSX-arm64.sh

安装完成：

source ~/.bashrc
# 或
source ~/.zshrc

验证：

conda --version

Linux : 系统要求：https://www.anaconda.com/docs/getting-started/miniconda/system-requirements

查看系统GLIBC版本： getconf GNU_LIBC_VERSION 或者 ldd --version
Miniconda3-py311_23.10.0-1（2023年10月发布）是社区里被验证过、在 glibc 2.17（CentOS 7）环境下能正常安装运行的较新版本。从那之后的版本（py312_24.9.x 及更新）开始出现 glibc 2.27/2.28 依赖问题。
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

bash Miniconda3-latest-Linux-x86_64.sh

重新加载：

source ~/.bashrc

验证：

conda --version

二、初始化 Shell

安装后执行：

conda init

或者指定：

conda init bash
conda init zsh
conda init powershell

重新打开终端即可。

三、为不同项目创建独立环境

这是 Conda 最重要的用途。

例如：

project-a
  Python 3.10

project-b
  Python 3.12

project-c
  Python 3.9

完全互不影响。

创建环境

Python 3.10

conda create -n project-a python=3.10

Python 3.12

conda create -n project-b python=3.12

Python 3.9

conda create -n project-c python=3.9

查看环境

conda env list

示例：

base
project-a
project-b
project-c

进入环境

conda activate project-a

提示符变为：

(project-a) $

退出环境

conda deactivate

四、安装项目依赖

进入环境：

conda activate project-a

安装：

pip install django

或者：

conda install numpy

查看：

pip list

五、项目目录绑定环境（推荐）

例如：

workspace/
├── project-a
├── project-b
└── project-c

创建对应环境：

conda create -n project-a python=3.10
conda create -n project-b python=3.12

进入项目：

cd project-a

conda activate project-a

这样项目与环境名称保持一致。

六、把环境放到项目目录（强烈推荐团队协作）

默认环境在：

Windows
C:\Users\用户名\miniconda3\envs

Linux
~/miniconda3/envs

Mac
~/miniconda3/envs

也可以直接创建到项目目录：

conda create --prefix ./venv python=3.12

project-a/
├── src
├── requirements.txt
└── venv

激活：

Linux/macOS：

conda activate ./venv

Windows：

conda activate .\venv

优点：

项目自包含
删除项目即可删除环境
CI/CD方便
Docker方便

七、导出环境

项目开发完成：

conda env export > environment.yml

生成：

name: project-a
channels:
  - defaults

dependencies:
  - python=3.10
  - numpy
  - pandas

八、导入环境

团队成员：

conda env create -f environment.yml

或者：

conda env update -f environment.yml

九、VS Code 自动切换 Conda 环境

安装：

VS Code 官方网站

安装 Python 插件：

Python Extension for VS Code

打开项目：

Ctrl + Shift + P

Python: Select Interpreter

选择：

project-a
project-b

即可。

十、生产环境最佳实践

对于多个项目，推荐结构：

/workspace
├── ai-platform
│   ├── environment.yml
│   └── source
│
├── live-stream
│   ├── environment.yml
│   └── source
│
└── vod-system
    ├── environment.yml
    └── source

创建：

conda env create -f environment.yml

激活：

conda activate ai-platform

导出：

conda env export --from-history > environment.yml

这里的 --from-history 很重要，它只记录你主动安装的包，不会把系统依赖全部导出，生成的环境文件更干净，更适合团队协作和跨平台部署。

对于企业开发、Docker、CI/CD 场景，通常推荐：

项目目录
    ↓
environment.yml
    ↓
conda env create
    ↓
VS Code/PyCharm

而不是手工逐个安装依赖。这样 Windows、macOS、Linux 三个平台都能保持一致的开发环境。

如果你已经使用 Conda 管理环境，那么推荐：

Conda 管理 Python 环境
        ↓
uv 管理依赖安装
        ↓
国内镜像加速

目前（2026年）uv 的安装速度通常比 pip 快 10~100 倍。

一、pip 加速

临时使用镜像

清华源

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

阿里云

pip install requests -i https://mirrors.aliyun.com/pypi/simple/

腾讯云

pip install requests -i https://mirrors.cloud.tencent.com/pypi/simple/

全局配置

Linux/macOS

创建：

mkdir -p ~/.pip

cat > ~/.pip/pip.conf <<EOF
[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
trusted-host = pypi.tuna.tsinghua.edu.cn
timeout = 60
EOF

验证：

pip config list

Windows

创建文件：

%APPDATA%\pip\pip.ini

内容：

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
trusted-host = pypi.tuna.tsinghua.edu.cn
timeout = 60

查看：

pip config list

二、安装 uv

uv 是由 Astral 官方网站开发的 Rust 版 Python 包管理工具。

官方文档：

uv 官方文档

Linux/macOS

curl -LsSf https://astral.sh/uv/install.sh | sh

验证：

uv --version

Windows

PowerShell：

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

验证：

uv --version

三、uv 与 Conda 配合

例如：

conda create -n ai python=3.12
conda activate ai

安装依赖：

uv pip install fastapi

注意：

uv 不替代 conda 环境
uv 替代 pip 安装

四、配置 uv 国内镜像

临时

uv pip install requests \
  --index-url https://pypi.tuna.tsinghua.edu.cn/simple

全局配置

Linux/macOS：

mkdir -p ~/.config/uv

# ~/.config/uv/uv.toml

index-url = "https://pypi.tuna.tsinghua.edu.cn/simple"

Windows：

%APPDATA%\uv\uv.toml

index-url = "https://pypi.tuna.tsinghua.edu.cn/simple"

环境变量方式

Linux/macOS：

export UV_INDEX_URL=https://pypi.tuna.tsinghua.edu.cn/simple

Windows：

setx UV_INDEX_URL "https://pypi.tuna.tsinghua.edu.cn/simple"

查看：

uv config list

五、uv 创建项目

类似 Node.js 的 npm。

创建：

uv init myproject

cd myproject

生成：

myproject
├── pyproject.toml
├── README.md
└── src

安装依赖

uv add fastapi

自动更新：

dependencies = [
    "fastapi"
]

开发依赖

uv add --dev pytest

删除依赖

uv remove fastapi

六、uv 锁定版本

生成锁文件：

uv lock

产生：

uv.lock

类似：

package-lock.json
pnpm-lock.yaml
Cargo.lock

安装：

uv sync

自动按照锁文件恢复环境。

七、最快的企业级方案

推荐目录结构：

project/
├── pyproject.toml
├── uv.lock
├── .venv
└── src/

创建：

uv init

创建虚拟环境：

uv venv

激活：

Linux/macOS

source .venv/bin/activate

Windows

.venv\Scripts\activate

安装：

uv add fastapi sqlalchemy redis

同步：

uv sync

八、uv 比 pip 快的原因

pip 安装过程：

解析依赖
 ↓
下载包
 ↓
下载依赖
 ↓
安装

单线程、反复解析。

uv：

Rust实现
 ↓
并发下载
 ↓
全局缓存
 ↓
并发解析
 ↓
硬链接复用

因此：

pip install torch
    1~5分钟

uv pip install torch
    10~30秒

（具体取决于网络和镜像源）

九、推荐的现代 Python 开发方式

新项目推荐直接使用 uv，不一定需要 Conda：

# 创建项目
uv init live-stream

cd live-stream

# 创建虚拟环境
uv venv

# 安装依赖
uv add fastapi uvicorn redis sqlalchemy

# 安装开发工具
uv add --dev pytest black ruff mypy

# 生成锁文件
uv lock

# 恢复环境
uv sync

对于你的直播/VOD后台项目（FastAPI、Redis、MySQL、MinIO、FFmpeg等），推荐：

uv
 + pyproject.toml
 + uv.lock
 + .venv

uv --version 配置 uv 国内镜像加速：在 Windows 系统变量中添加以下环境变量，以便在下载 Python 核心和第三方依赖包时加速：变量名：UV_PIP_INDEX_URL 变量值：https://tsinghua.edu.cn 变量名：UV_PYTHON_INSTALL_MIRROR（用于加速下载 Python 版本）变量值：https://huaweicloud.com $env:UV_PIP_INDEX_URL = "https://tsinghua.edu.cn" $env:UV_PYTHON_INSTALL_MIRROR = "https://huaweicloud.com" 读取变量：$env:变量名删除变量：Remove-Item Env:\变量名查看本地和网络上可用的 Python 版本：为当前用户设置：[System.Environment]::SetEnvironmentVariable("变量名", "变量值", "User") 为所有用户（系统级，需管理员权限）设置：[System.Environment]::SetEnvironmentVariable("变量名", "变量值", "Machine") 永久删除变量：将“变量值”设置为空字符串即可: [System.Environment]::SetEnvironmentVariable("变量名", "", "User") 由于 macOS 和 Linux 环境的系统变量配置在 Shell 配置文件中，建议直接将国内镜像源写入你的 ~/.zshrc 或 ~/.bashrc 中。

打开配置文件（以 zsh 为例，如果是 Linux 且用 bash 请将 zshrc 替换为 bashrc）： nano ~/.zshrc
在文件末尾添加以下两行（使用清华大学和华为云镜像）：

uv 依赖包下载加速

export UV_PIP_INDEX_URL="https://tsinghua.edu.cn"# uv 下载 Python 核心版本加速 export UV_PYTHON_INSTALL_MIRROR="https://huaweicloud.com" 3. 保存并退出（在 nano 中按 Ctrl + O 确认保存，再按 Ctrl + X 退出），然后刷新配置： source ~/.zshrc

只有在需要大量科学计算库（如 TensorFlow、PyTorch、CUDA、OpenCV 编译版）时，再考虑使用 Conda 管理底层环境，依赖安装仍优先使用 uv。

先安装轻量Miniconda 【https://www.anaconda.com/docs/getting-started/miniconda/main】 https://www.anaconda.com/download/success 【选择 Miniconda】大小94mb Windows下载：访问 Miniconda 官网下载 Windows 64-bit 安装包。安装：双击运行，勾选 "Add Miniconda3 to my PATH environment variable"（或安装后通过快捷方式打开 "Anaconda Prompt"）。

打开终端测试窗口Windows：点击键盘 Win 键，在搜索栏输入 Anaconda Prompt 或 Miniconda Prompt 并打开。 macOS / Linux：直接打开系统自带的 Terminal（终端）。
依次运行以下三条基础命令 ① 检查 Conda 版本： conda --version ② 检查当前环境列表：conda env list ③ 尝试创建一个测试环境（终极验证）：conda create -n test_install python=3.10 -y 清理测试环境（验证完后可以删掉）：conda env remove -n test_install -y

在终端或 Anaconda Prompt 中执行以下命令：

添加官方核心基础包镜像

conda config --add channels https://tsinghua.edu.cn

添加最常用的第三方开源包镜像（很多数据分析工具都在这里）

conda config --add channels https://tsinghua.edu.cn

设置在下载时显示包的来源网址（方便确认是否成功走了解速通道）

conda config --set show_channel_urls yes 删除：conda config --remove channels https://tsinghua.edu.cn 验证：conda config --show-sources 如果安装软件报错 To accept these channels' Terms of Service, run the following commands: conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/main conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/r conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/msys2

同意 Anaconda 服务条款（ToS）直接运行以下三条官方提示的命令，解除权限限制：【只要执行了第 1 步的 conda tos accept，这个阻断报错就会彻底消失。】 conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/main conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/r conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/msys2

1. 恢复 Conda 的默认源设置（清除所有之前乱掉的自定义 channels）

conda config --remove-key channels 【# 移除错误的清华主页地址： conda config --remove channels https://tsinghua.edu.cn】

重新添加正确的国内镜像源（确保末尾带斜杠/）

                                  conda config --add channels https://tsinghua.edu.cn
                                  conda config --add channels https://aliyun.com
                                  conda config --add channels https://bfsu.edu.cn
                                 conda config --add channels https://sjtu.edu.cn

真确配置

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge 清理 Conda 缓存 conda clean --all -y

3. 再次确认当前的生效配置

conda config --show-sources 重新尝试安装 conda-pack

代理

proxy_servers: http: http://user:password@proxy.company.com:8080 https: http://user:password@proxy.company.com:8080

conda config --set proxy_servers.http http://127.0.0.1:7890 conda config --set proxy_servers.https http://127.0.0.1:7890 conda install -c conda-forge conda-pack -y 更新： conda update -n base -c conda-forge conda 下载完删除：conda config --remove-key proxy_servers

（pkgs/main 403），最常见的是第一种——配置混乱导致的，而不是真的被封号。解决步骤：第一步：清空 channel 配置，恢复默认状态 conda config --remove-key channels conda config --remove-key default_channels 如果报错说 key 不存在，没关系，说明本来就没设置过，跳过即可。第二步：清理索引缓存，强制重新同步 conda clean --index-cache 第三步：直接绕开 defaults 频道，只用 conda-forge 最简单粗暴但很有效的办法——你装 conda-pack 本来就只需要 conda-forge，不需要 defaults。可以用 --override-channels 让这次安装完全不碰 pkgs/main： conda install -c conda-forge --override-channels conda-pack -y

关于 defaults 频道（pkgs/main）：不少镜像站（比如中科大 USTC）现在已经不再镜像官方的 defaults 仓库，只镜像 conda-forge / bioconda 等社区频道，原因是合规性问题。这跟你之前遇到的 403 是同一类问题的延伸——官方源本身访问受限，国内一些镜像站也跟着停掉了对它的同步。所以现在比较推荐的做法是彻底抛弃 defaults，只用 conda-forge。推荐配置（清华源，最常用）直接编辑或创建 ~/.condarc： cat > ~/.condarc << 'EOF' channels:

conda-forge
nodefaults custom_channels: conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud show_channel_urls: true EOF 然后清缓存：conda clean -i 之后正常装包，完全不会再碰官方的 repo.anaconda.com：conda install -c conda-forge conda-pack -y

备选：中科大 USTC 镜像 cat > ~/.condarc << 'EOF' channels:

nodefaults custom_channels: conda-forge: https://mirrors.ustc.edu.cn/anaconda/cloud show_channel_urls: true EOF 如果你确实需要 defaults（pkgs/main，比如装 anaconda 元包）这种情况清华源仍然提供镜像，可以用： cat > ~/.condarc << 'EOF' channels:
defaults show_channel_urls: true default_channels:
https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2 custom_channels: conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud EOF

2. 安装 uv

uv 是由 Astral 开发的极速 Python 包管理工具，支持跨平台一键安装：

Windows (PowerShell)

powershell -c "irm https://astral.sh | iex"

macOS & Linux

curl -LsSf https://astral.sh | sh uv 会自动读取 pip 的全局配置。在终端执行以下命令设置全局 PyPI 镜像： uv pip config set global.index-url https://tsinghua.edu.cn

https://duckdb.org/install/?platform=windows&environment=python 扩展：http://extensions.duckdb.org 【https://duckdb.org/docs/current/extensions/installing_extensions】默认情况下，扩展程序安装在用户的主目录下：~/.duckdb/extensions/duckdb_version/platform_name/ 【路径duckdb_version将等于该版本的版本标签。对于每日构建的 DuckDB 版本，该路径将等于构建的短 Git 哈希值。】要更改 DuckDB 存储其扩展的默认位置，请使用以下extension_directory配置选项：SET extension_directory = '/path/to/your/extension/directory'; 要指定多个用于加载扩展的目录（例如，用于包管理器或物理隔离环境），请使用以下extension_directories选项：SET extension_directories = ['/usr/lib/duckdb/extensions', '/opt/duckdb/extensions']; 请注意，设置配置选项的值home_directory不会影响扩展程序的位置。从显式路径安装扩展程序：INSTALL 'path/to/httpfs.duckdb_extension'; 或者：LOAD 'path/to/httpfs.duckdb_extension';

一步一步创建 DuckDB 分析项目 https://duckdb.org/docs/current/clients/python/overview 【Python version: DuckDB requires Python 3.9 or newer.】 pip install duckdb 或者 conda install python-duckdb -c conda-forge 创建一个独立的 Python 环境（DuckDB 官方要求 Python 3.9+，此处推荐使用 3.10）：创建干净环境并安装依赖 conda search python --full-name[查看远程版本】 conda create -n duckdb-python-demo python=3.14 -y conda activate duckdb-python-demo 【退出 conda deactivate】由于后续需要离线移植，我们必须在当前激活的 Conda 环境中安装 conda-pack 核心工具。同时使用 uv 快速安装 duckdb 及其常用的数据分析辅助库（如 pandas 和 pyarrow）：

安装离线打包工具

conda install -c conda-forge conda-pack -y

使用 uv 加速安装 DuckDB 及其数据栈

conda install -c conda-forge duckdb pandas pyarrow 优先【conda-forge能安装，就不执行：uv pip install duckdb pandas pyarrow】在项目目录中创建一个名为 analysis.py 的脚本。该脚本将创建一个持久化数据库，并演示如何加载内存数据及导出分析结果： import duckdb import pandas as pd

def main(): print("--- 正在初始化 DuckDB 持久化数据库 ---") # 1. 创建或连接到本地持久化数据库文件 con = duckdb.connect("offline_analytics.db") #

# 2. 准备一份测试数据（模拟 Pandas DataFrame 导入）
df = pd.DataFrame({
    "user_id":[1,2,3],
    "sales": [250.5, 550.0, 120.0],
    "region": ["North", "South", "North"]
})

# 3. 将 Pandas DataFrame 注册并写入 DuckDB 本地表
con.sql("CREATE TABLE IF NOT EXISTS sales_data AS SELECT * FROM df")

# 4. 执行 SQL 聚合分析
print("\n--- 执行 SQL 聚合分析结果 ---")
result_rel = con.sql("""
    SELECT region, SUM(sales) AS total_sales, COUNT(user_id) AS user_count
    FROM sales_data
    GROUP BY region
""")
result_rel.show() #

# 5. 将结果转换回 Pandas DataFrame 并导出为本地 CSV
analysis_df = result_rel.df() #
analysis_df.to_csv("summary_report.csv", index=False)
print("\n[成功] 报告已导出至 'summary_report.csv'")

# 6. 关闭数据库连接
con.close() #

if name == "main": main()

测试：python "D:\run_duckdb.py" 切换目录后再运行（最清晰）假设你按之前建议把环境解压到 C:\myproject_env，项目代码在 D:\myproject_package： cd /d "D:\myproject_package" "C:\myproject_env\python.exe" run_duckdb.py

第四步：打包环境并移植到内网离线服务器 conda-pack 可以将整个 Python 环境连同二进制依赖完整打成压缩包。注意：外网打包机的操作系统和 CPU 架构必须与内网目标服务器完全一致（例如：均未 Linux x86_64）。

在外网电脑上打包环境在激活的目标环境终端下，执行打包命令：

将名为 duckdb_env 的环境打包为 duckdb_env.tar.gz

进去先安装 conda activate duckdb-python-demo pip list # 或 conda list,确认 duckdb 等依赖都在里面然后退出虚拟环境 conda deactivate 确认没问题后再回到 base 执行打包命令确认你在 base 环境下安装。一定要先确认提示符是 (base),再执行安装: conda activate base conda install -c conda-forge conda-pack（前面安装了可以跳过）测试：conda-pack --help 开始打包：conda-pack -n duckdb-python-demo -o duckdb-python-demo.tar.gz 2. 将文件传输至内网使用 U 盘、光盘或安全网闸，将以下文件复制到内网离线服务器： duckdb_env.tar.gz（环境压缩包） analysis.py（分析脚本） 3. 在内网服务器上解压与恢复环境在内网服务器的目标目录下，执行以下命令：

创建目标环境目录

mkdir -p my_offline_env

解压环境到该目录

tar -xzf duckdb_env.tar.gz -C my_offline_env

激活该离线环境（无需内网安装 Conda）

source my_offline_env/bin/activate 4. 运行分析环境激活后，直接在内网运行您的 DuckDB 分析脚本： python analysis.py

如果本地无法安装conda

解压duckdb-python-demo.tar.gz得到解压目录，目录有python命令库，直接全局路径运行python相关操作

Name		Name	Last commit message	Last commit date
Latest commit History 25 Commits
biz_modules		biz_modules
duckdb_extensions/v1.5.4/windows_amd64		duckdb_extensions/v1.5.4/windows_amd64
input		input
output		output
.gitignore		.gitignore
Pycharm配置Anaconda详细教程.png		Pycharm配置Anaconda详细教程.png
README.md		README.md
main.py		main.py
全文搜索扩展.md		全文搜索扩展.md
数据分析.md		数据分析.md
数据库对迁.md		数据库对迁.md
环境安装和打包使用过程.md		环境安装和打包使用过程.md
读取ORC 格式.md		读取ORC 格式.md
读取低版本的doris方法.md		读取低版本的doris方法.md

Folders and files

Latest commit

History

Repository files navigation

常用库安装

conda create -n duckdb-python-demo python=3.14 -y

conda activate duckdb-python-demo 【退出 conda deactivate】

conda install -c conda-forge duckdb

pandas pyarrow numpy polars 数据分析核心库

matplotlib plotly pyecharts 图表库

openpyxl xlsxwriter [ Excel报表,xlsxwriter生成复杂报表更强。]

reportlab PDF报表

requests HTTP 请求爬虫（最常见）登录态处理: session = requests.Session() session.post(login_url) session.get(data_url)

beautifulsoup4 lxml HTML 解析

Playwright playwright-stealth Selenium 【UI页面自动化】

fastapi uvicorn jinja2 【传统web项目】

scipy statsmodels 统计分析

streamlit dash [BI报表/Dashboard【dash】]

将名为 duckdb-python-demo 的环境打包为 duckdb-python-demo.tar.gz

一、安装 Conda

方案1：Miniconda（推荐）

Windows

macOS

Linux : 系统要求：https://www.anaconda.com/docs/getting-started/miniconda/system-requirements

二、初始化 Shell

三、为不同项目创建独立环境

创建环境

Python 3.10

Python 3.12

Python 3.9

查看环境

进入环境

退出环境

四、安装项目依赖

五、项目目录绑定环境（推荐）

六、把环境放到项目目录（强烈推荐团队协作）

七、导出环境

八、导入环境

九、VS Code 自动切换 Conda 环境

十、生产环境最佳实践

一、pip 加速

临时使用镜像

清华源

阿里云

腾讯云

全局配置

Linux/macOS

Windows

二、安装 uv

Linux/macOS

Windows

三、uv 与 Conda 配合

四、配置 uv 国内镜像

临时

全局配置

环境变量方式

五、uv 创建项目

安装依赖

开发依赖

删除依赖

六、uv 锁定版本

七、最快的企业级方案

八、uv 比 pip 快的原因

九、推荐的现代 Python 开发方式

uv 依赖包下载加速

添加官方核心基础包镜像

添加最常用的第三方开源包镜像（很多数据分析工具都在这里）

设置在下载时显示包的来源网址（方便确认是否成功走了解速通道）

1. 恢复 Conda 的默认源设置（清除所有之前乱掉的自定义 channels）

重新添加正确的国内镜像源（确保末尾带斜杠/）

真确配置

3. 再次确认当前的生效配置

代理

2. 安装 uv

Windows (PowerShell)

macOS & Linux

安装离线打包工具

使用 uv 加速安装 DuckDB 及其数据栈

将名为 duckdb_env 的环境打包为 duckdb_env.tar.gz

创建目标环境目录