Pipenv 新增 requirements 子命令支持基于 Pipfile 生成依赖列表
2025-05-07 12:10:07作者:伍霜盼Ellen
在 Python 项目开发中,开发者经常需要在应用程序开发(需要固定所有依赖版本)和库开发(不需要固定依赖版本以避免冲突)两种场景间切换。Pipenv 作为流行的 Python 依赖管理工具,最近新增了一个实用功能,能够直接从 Pipfile 生成 requirements.txt 格式的依赖列表,而不需要依赖 Pipfile.lock 文件。
功能背景
传统上,Pipenv 主要通过 Pipfile 和 Pipfile.lock 文件管理项目依赖。Pipfile 声明顶层依赖关系,而 Pipfile.lock 则记录精确的依赖版本和完整的依赖树。然而在某些场景下,开发者只需要获取 Pipfile 中声明的顶层依赖,而不需要完整的锁定依赖树。
这种需求在库开发中尤为常见。库开发者通常不希望过度约束依赖版本,以避免与其他库产生冲突。同时,他们又需要一种简单的方式将依赖声明导出为 requirements.txt 格式,用于构建工具、CI/CD 流程或其他不支持 Pipenv 的环境。
新功能详解
新实现的 pipenv requirements 子命令增加了直接从 Pipfile 提取依赖的能力。该功能支持:
- 仅输出 Pipfile 中声明的顶层依赖项
- 支持按类别(如常规依赖、开发依赖等)筛选依赖
- 保持原始 Pipfile 中指定的版本约束
使用示例:
# 输出所有顶层依赖
pipenv requirements --NEW_OPTION
# 仅输出特定类别的依赖(如style类别)
pipenv requirements --NEW_OPTION --categories style
技术实现原理
该功能的核心是解析 Pipfile 文件结构,提取其中的依赖声明部分。与传统的基于 Pipfile.lock 的导出不同,新实现:
- 直接读取 Pipfile 的 TOML 格式内容
- 解析 packages 和其他指定类别下的依赖项
- 将依赖名称和约束条件转换为 requirements.txt 格式
- 完全跳过依赖解析和锁定步骤,保持轻量级
应用场景
这一功能特别适用于以下场景:
- 库开发项目:在 setup.py 或 pyproject.toml 中动态指定依赖
- 多环境兼容:为不支持 Pipenv 的环境提供兼容的依赖声明
- CI/CD 集成:简化构建流程中的依赖管理
- 依赖文档化:生成项目依赖的简明文档
最佳实践建议
- 对于应用程序开发,仍建议使用 Pipfile.lock 确保环境一致性
- 库项目可以使用此功能生成安装时依赖声明
- 可以将此命令集成到项目的构建前脚本中,自动保持依赖同步
- 考虑在 CI 流程中验证 Pipfile 和生成的 requirements.txt 一致性
这一功能的加入使 Pipenv 在保持原有优势的同时,更好地适应了不同 Python 项目的依赖管理需求,特别是为库开发者提供了更大的灵活性。开发者现在可以更轻松地在严格版本控制和宽松依赖声明之间切换,而无需维护多个依赖声明文件。
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
最新内容推荐
Python开发者的macOS终极指南:VSCode安装配置全攻略 Launch4j中文版:Java应用程序打包成EXE的终极解决方案 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 STM32到GD32项目移植完全指南:从兼容性到实战技巧 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
414
3.18 K
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
Ascend Extension for PyTorch
Python
228
258
暂无简介
Dart
679
160
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++
689
325
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
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
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