PyInstaller 技术文档
2024-12-25 22:39:24作者:何将鹤
1. 安装指南
1.1 系统要求
- Python: 3.8-3.13(不支持Python 3.10.0和Python 3.14的beta版本)
- Windows:
- 支持Windows 7及以上版本,但官方仅支持Windows 8+。
- 使用Windows商店安装的Python需要PyInstaller 4.4或更高版本。
- Linux:
- 支持基于GNU libc和musl libc的多种架构(如x86_64, aarch64, i686, ppc64le, s390x)。
- 需要
ldd,objdump,objcopy等工具。
- macOS:
- 支持macOS 10.15 (Catalina)及以上版本。
- 支持构建
universal2应用程序。
1.2 安装步骤
PyInstaller可以通过pip进行安装:
pip install pyinstaller
对于Raspberry Pi用户,建议添加piwheels作为额外的索引URL:
pip install pyinstaller --extra-index-url https://www.piwheels.org/simple
2. 项目的使用说明
2.1 基本用法
使用PyInstaller打包Python脚本非常简单,只需运行以下命令:
pyinstaller /path/to/yourscript.py
这将生成一个包含所有依赖项的单个文件夹或可执行文件。
2.2 高级选项
PyInstaller提供了多种选项来定制打包过程,例如:
--onefile: 将所有内容打包到一个可执行文件中。--windowed: 创建一个无命令行窗口的应用程序(适用于GUI应用)。--icon=icon.ico: 为Windows应用程序设置图标。
更多详细信息,请参考官方手册。
3. 项目API使用文档
3.1 主要功能
PyInstaller的主要功能是将Python应用程序及其所有依赖项打包成一个独立的可执行文件或文件夹。它自动分析脚本所需的模块和库,并将它们与脚本一起打包。
3.2 支持的Python包
PyInstaller支持多种常见的Python包,如:
- numpy
- PyQt5, PySide2, PyQt6, PySide6
- wxPython
- matplotlib
3.3 第三方包支持
PyInstaller内置了多种第三方包的支持,用户无需额外配置即可使用这些包。
4. 项目安装方式
4.1 通过pip安装
最简单的安装方式是通过pip:
pip install pyinstaller
4.2 手动安装
对于某些平台,可能需要手动构建PyInstaller的引导程序。这通常在安装过程中自动完成,前提是系统中已安装了合适的C编译器(如gcc或clang)和zlib的开发头文件。
4.3 其他平台
对于未在官方测试范围内的平台(如FreeBSD, Solaris, AIX等),用户需要手动构建引导程序。具体步骤请参考官方文档。
5. 支持与帮助
5.1 官方调试指南
当遇到问题时,可以参考官方调试指南。
5.2 用户贡献的帮助主题
GitHub Wiki上提供了一些用户贡献的帮助主题,地址为GitHub Wiki。
5.3 社区支持
用户可以通过以下方式获取帮助:
6. 版本变更
6.1 当前版本变更
当前版本的详细变更列表可以在Changelog中找到。
通过以上文档,用户可以了解如何安装、使用和调试PyInstaller,从而更好地打包Python应用程序。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.18 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
690
325
Ascend Extension for PyTorch
Python
229
258
暂无简介
Dart
679
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
346
147