Python包创建指南与结构解析
想创建可复用的Python模块集合却无从下手?本文为你提供一份详细的**Python包创建教程**,并深入解析**Python包结构**。首先,我们将学习如何构建标准的目录结构,包括创建项目根目录、同名子目录,以及关键的`__init__.py`文件。接着,我们将重点讲解`setup.py`和`pyproject.toml`这两个配置文件的编写,它们定义了包的元数据,如包名、版本、依赖项等,是打包发布的基础。最后,我们将指导你使用`build`工具构建并本地安装你的Python包,并进行验证,确保你的包能够正常工作。掌握这些步骤,你就能轻松创建自己的Python包,提升代码的可维护性和复用性。
首先创建标准目录结构并添加__init__.py文件,接着编写setup.py和pyproject.toml配置元数据,最后通过build工具构建并本地安装包进行验证。

如果您尝试构建一个可重用的Python模块集合,但不知道如何组织代码结构或正确声明包信息,可能是由于缺乏对Python包结构的理解。以下是创建Python包的具体步骤:
一、准备包的基本结构
一个标准的Python包需要具备特定的目录结构,以便被Python解释器识别为可安装和导入的模块单元。该结构包含初始化文件和功能模块。
1、创建项目根目录,例如命名为 my_python_package。
2、在根目录下新建一个同名的子目录,如 my_python_package,用于存放实际的Python代码。
3、在该子目录中添加 __init__.py 文件,即使为空,也需存在以标识其为Python包。
4、在包目录内创建具体的模块文件,例如 utils.py 或 core.py,并编写所需函数或类。
5、在根目录下创建其他必要文件,包括 setup.py、README.md 和 pyproject.toml(如果使用现代构建系统)。
二、编写 setup.py 配置文件
setup.py 是包的元数据描述文件,定义了包名、版本、依赖项等关键信息,是打包和发布的基础。
1、在项目根目录创建 setup.py 文件。
2、写入以下内容:
from setuptools import setup, find_packages
setup(
name='my_python_package',
version='0.1.0',
packages=find_packages(),
description='A sample Python package',
author='Your Name',
author_email='your.email@example.com',
install_requires=[
'requests',
'click'
python_requires='>=3.7'
)
三、使用 pyproject.toml 替代 setup.py
现代Python项目推荐使用 pyproject.toml 来声明构建系统和依赖关系,避免直接依赖 setuptools 在运行时的存在。
1、在项目根目录创建 pyproject.toml 文件。
2、添加以下内容:
[build-system]
requires = ["setuptools>=45", "wheel"]
build-backend = "setuptools.build_meta"
[project]
name = "my_python_package"
version = "0.1.0"
description = "A sample Python package"
authors = [{name = "Your Name", email = "your.email@example.com"}]
dependencies = [
"requests",
"click"
]
requires-python = ">=3.7"
四、构建和本地安装包
完成配置后,可以将项目构建成可分发的格式,并进行本地测试安装,确保包能正常工作。
1、打开终端并进入项目根目录。
2、运行命令安装构建工具:pip install build。
3、执行构建命令:python -m build,生成 dist/ 目录下的 .whl 和 .tar.gz 文件。
4、使用 pip 安装生成的包:pip install dist/my_python_package-0.1.0-py3-none-any.whl。
5、在另一个Python脚本中尝试导入:from my_python_package.utils import some_function,验证是否成功。
文中关于Python包,setup.py,pyproject.toml,包结构,__init__.py的知识介绍,希望对你的学习有所帮助!若是受益匪浅,那就动动鼠标收藏这篇《Python包创建指南与结构解析》文章吧,也可关注golang学习网公众号了解相关技术文章。
《挖财记账》数据恢复方法分享
- 上一篇
- 《挖财记账》数据恢复方法分享
- 下一篇
- DEEPSEEK网页版使用教程与功能详解
-
- 文章 · python教程 | 14小时前 |
- Python Jinja按模板后缀开启自动转义怎么配置
- 320浏览 收藏
-
- 文章 · python教程 | 14小时前 | Python 模板变量 Jinja StrictUndefined UndefinedError
- Python Jinja StrictUndefined怎样暴露缺失模板变量
- 477浏览 收藏
-
- 文章 · python教程 | 14小时前 | CLI · 命令行 · python · 命令行选项 list[str] Python Typer Typer重复参数 Typer列表参数 list[float]
- Python Typer可重复参数怎样收集为列表
- 157浏览 收藏
-
- 文章 · python教程 | 14小时前 | Python 后台任务 Worker Textual post_message
- Python Textual后台任务怎么把结果送回界面
- 317浏览 收藏
-
- 文章 · python教程 | 14小时前 | 查询优化 · Python explain 查询计划 Polars LazyFrame show_graph
- Python Polars LazyFrame怎样查看查询计划
- 421浏览 收藏
-
- 文章 · python教程 | 14小时前 | 数据校验 · python · Python Pydantic field_validator model_validator 联合约束
- Python Pydantic怎样对多个字段实施联合约束
- 210浏览 收藏
-
- 文章 · python教程 | 14小时前 | Python Pydantic After field_validator before
- Python Pydantic字段校验器before与after怎么选择
- 469浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 466次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 529次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 546次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 497次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 317次使用
-
- Python sqlite3 Connection serialize 怎么导出数据库快照:备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览
-
- TensorFlow模型部署为API的TF Serving方法
- 2026-05-26 501浏览
-
- Python字符串编码转换:encode与decode详解
- 2026-05-16 501浏览
-
- TensorFlow裁剪无用算子方法详解
- 2026-05-15 501浏览

