当前位置:首页 > 文章列表 > 文章 > python教程 > Python packaging 从 setup.py 迁移 pyproject.toml 的清单

Python packaging 从 setup.py 迁移 pyproject.toml 的清单

来源:17golang原创 2026-10-04 00:58:32 0浏览 收藏

我处理旧 Python 项目时,迁移 packaging 配置最容易踩的坑不是 TOML 语法,而是把“构建后端”“项目元数据”和“仍然需要执行的 Python 逻辑”混成一件事。比较稳妥的做法是先加上 pyproject.toml 的 [build-system],再把稳定的元数据搬到 [project],最后逐项确认包发现、动态版本和构建命令。setup.py 不必当天删除,但不应再用 python setup.py install 这类直接调用。

要点速览
  • 先声明 setuptools 构建后端,再迁移静态元数据。
  • 版本或入口由代码计算时,用 dynamic 明确保留动态来源。
  • 用 sdist、wheel、普通安装和 editable 安装分别回归,不只看构建命令是否成功。

setup.py 中哪些内容应该搬进 pyproject.toml

先把旧文件拆成四类:项目名称、版本、README、依赖属于元数据;构建时需要的 setuptools 或插件属于构建依赖;包目录发现属于后端配置;读取 Git 标签、生成版本或编译扩展的 Python 逻辑则可能继续动态存在。

旧配置迁移位置判断要点
name、version、readme[project]能静态写出就不要保留动态计算
install_requiresdependencies保留 PEP 508 依赖字符串
find_packages、package_data[tool.setuptools]这是后端专属配置,不是通用元数据
get_version()dynamic 或保留 setup.py先确认构建环境能提供同样输入
Python packaging 从 setup.py 到 pyproject.toml 的构建后端、项目元数据和动态字段边界结构说明图
图1:Python packaging 元数据迁移结构说明图,不是编辑器截图或运行证据。

先建立 [build-system],再决定 setup.py 是否保留

对 Setuptools 项目,根目录可以先放一个最小配置。requires 不是运行时依赖,而是构建隔离环境需要的依赖;如果版本计算函数还导入了第三方库,也要把它写进去。

[build-system]
requires = ["setuptools"] # 声明构建阶段必须安装的后端
build-backend = "setuptools.build_meta" # 让前端调用 Setuptools 的标准接口

[project]
name = "example-package" # 分发名称,保持与旧包一致
version = "1.2.3" # 能静态确定时直接写入
readme = "README.md" # README 作为长描述来源
dependencies = ["requests>=2.31"] # 使用 PEP 508 依赖表达式

如果版本必须从 Git 标签或源码常量得到,可以写 dynamic = ["version"],并保留后端支持的动态配置。若外部脚本仍执行 python setup.py --name,保留一个很薄的 setup.py 是兼容策略,不代表要继续用它来安装和打包。

包发现和依赖迁移要做一次对照

迁移后最隐蔽的失败是“构建成功但 wheel 里没有子包”。src 布局、命名空间包、额外数据文件都要按 Setuptools 当前配置重新核对,不要把原来的 find_packages() 直接当成标准元数据。依赖也要区分运行时依赖与构建依赖:前者进 [project].dependencies,后者进 [build-system].requires。

[tool.setuptools.packages.find]
where = ["src"] # 只有 src 布局时才指定源码根目录

[tool.setuptools.package-data]
example_package = ["templates/*.json"] # 把运行时需要的非 Python 文件纳入包

这里的表名属于 Setuptools 后端,不要因为看到 [project] 就把所有配置都塞进去。配置完成后检查构建产物的文件清单,尤其是入口脚本、模板和子包。

构建、安装和回归检查要分开验证

官方迁移建议把直接执行 setup.py 的命令换成现代前端命令。实际回归时我会把“能生成文件”和“安装后能用”分开:

python -m build # 构建 sdist 与 wheel,不直接执行 setup.py
python -m pip install . # 在隔离环境验证普通安装
python -m pip install --editable . # 验证开发态导入和入口

检查 dist/ 中是否同时有源码分发包和 wheel,再在干净虚拟环境里验证导入、命令入口、依赖版本和 README 元数据。若只在当前源码目录中 import 成功,不能证明 wheel 内容完整。

Python packaging 构建前端、setuptools.build_meta、sdist、wheel 与 pip 安装回归之间的接口关系结构说明图
图2:构建与安装边界结构说明图,箭头表示接口关系而非真实执行截图。

常见问题

迁移 pyproject.toml 后必须删除 setup.py 吗?

不必须。兼容旧工具或保留程序化配置时可以继续保留;重点是停止直接调用它完成安装、开发安装和打包。

version 应该写在 project 还是 dynamic?

能稳定静态确定就写 [project].version;必须从 Git 或源码计算时才声明 dynamic,并确认构建后端知道如何提供该值。

为什么构建成功但安装后缺少模块?

优先检查包发现规则和 wheel 文件清单,尤其是 src 布局、命名空间包与非 Python 数据文件,而不是先反复重装 setuptools。

迁移的完成标志不是“仓库里出现了一个 pyproject.toml”,而是元数据来源清楚、构建依赖与运行依赖分开、sdist 和 wheel 内容可解释,并且普通安装与 editable 安装都通过同一份检查清单。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
photocolors怎么调整记忆卡片?照片构图、文字与色彩编辑说明photocolors怎么调整记忆卡片?照片构图、文字与色彩编辑说明
上一篇
photocolors怎么调整记忆卡片?照片构图、文字与色彩编辑说明
Go tls.ConnectionState 读取协商协议与证书信息
下一篇
Go tls.ConnectionState 读取协商协议与证书信息
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    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
    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
    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
    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
    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
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    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。
    318次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    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。
    374次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    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。
    371次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    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。
    337次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    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。
    162次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码