Python打包exe文件方法:py2exe和pyinstaller安装使用教程
ztj100 2025-04-07 21:26 18 浏览 0 评论
py2exe和pyinstaller两种将py文件打包的工具和方式使用起来效率感觉差不太多,pyinstaller可以将所有文件打包成单个可执行的exe文件而略胜一筹,实测打包的文件大小也稍微小一点,并且可以自定义exe文件的图标。
py2exe使用方法
1、先找到自己写好的Python文件路径
2、然后在该路径下添加一个设置脚本setup.py (名字随便取),示例如下(别忘了加上import py2exe) :
from distutils.core import setup
import py2exe
setup(console=["guess.py"])
3、设置好setup文件以后,就可以进行编译打包了,在当前目录下按住shift再点击右键,选择“在此处打开命令窗口”或者“在此处打开powershell”。
输入:
python setup.py py2exe
4、等待代码执行过后,在当前目录下的dist文件夹里面就有了guess.exe的可执行文件,需要把dist文件夹内所有文件都拷贝,才能在没有python环境上运行。build文件夹内文件是打包过程文件,可删除。
pyinstaller使用方法
1、安装
根据版本情况使用pip或者pip3.11等,可以看\Python\Python311\Scripts文件夹里有什么。
pip install pyinstaller
pip install pyinstaller -i https://pypi.tuna.tsinghua. edu.cn/simple/
PS:如果第一个地址不成功,用第二个清华大学这个地址速度飞快。如果pip不成功提示版本问题,可以换成pip3.11 install pyinstaller。
2、使用方法
(1)先找到自己写好的Python文件路径
(2)在此处打开命令窗口,执行命令,执行完毕会发现生成3个文件夹, dist 文件夹就有已经打包完成的exe文件
pyinstaller -F -w -i python.ico guess.py
详细参数:
参数 | 用法 |
-F | 生成结果是一个exe文件,所有第三方依赖、资源和代码均被打包进该exe内 |
-D | 生成结果是一个目录,各种第三方依赖、资源和exe同时存储在该目录(默认) |
-a | 不包含unicode支持 |
-d | 执行生成的 exe 时,会输出一些log,有助于查错 |
-w | 不显示命令行窗口。这在GUI界面时非常有用,如果是命令行程序的话那就把这个选项删除。 |
-c | 显示命令行窗口(默认) |
-p | 指定额外的import路径,类似于使用python path |
-i | 指定图标 |
-v | 显示版本号 |
-n | 生成的.exe的文件名 |
例如:pyinstaller -F -w -i favicon.ico guess.py表示:
-F,打包只生成一个 exe 文件
-w,在运行exe程序的时候不打打开命令行的窗口
-i 就是打包带有自己设置的 ico 图标。
图形窗口打包
Auto py to exe是一个将 pyinstaller 封装成为 GUI 窗口的工具,满足有的朋友经常使用这个功能又感觉命令行不直观的需求。
安装方法:
1、pip安装
pip install auto-py-to-exe
pip install auto-py-to-exe -i https://pypi.tuna.tsinghua.edu.cn/simple/
推荐第二个清华的地址,速度很快。
2、github下载也可以
安装完成之后,在命令行输入来启动:
auto-py-to-exe
在窗口中主要有几个参数:
Script Location:就是 python 文件路径
Onefile (--onedir / --onefile):就是上面的 -D 和 -F 参数,生成单个 exe 文件或者生成一个文件夹
Console Window (--console / --windowed):就是上面的 -w 和 -c 参数,表示在运行的时候是否出现命令行窗口
ICON:就是 ico 图标的地址
设置完这几个参数之后,在下面的 Current Command 框就会显示 pyinstaller 命令。点击convert py to exe按钮,生成 exe 文件。
相关推荐
- 其实TensorFlow真的很水无非就这30篇熬夜练
-
好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...
- 交叉验证和超参数调整:如何优化你的机器学习模型
-
准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...
- 机器学习交叉验证全指南:原理、类型与实战技巧
-
机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...
- 深度学习中的类别激活热图可视化
-
作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...
- 超强,必会的机器学习评估指标
-
大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...
- 机器学习入门教程-第六课:监督学习与非监督学习
-
1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...
- Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置
-
你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...
- 神经网络与传统统计方法的简单对比
-
传统的统计方法如...
- 自回归滞后模型进行多变量时间序列预测
-
下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...
- 苹果AI策略:慢哲学——科技行业的“长期主义”试金石
-
苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...
- 时间序列预测全攻略,6大模型代码实操
-
如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...
你 发表评论:
欢迎- 一周热门
- 最近发表
- 标签列表
-
- idea eval reset (50)
- vue dispatch (70)
- update canceled (42)
- order by asc (53)
- spring gateway (67)
- 简单代码编程 贪吃蛇 (40)
- transforms.resize (33)
- redisson trylock (35)
- 卸载node (35)
- np.reshape (33)
- torch.arange (34)
- npm 源 (35)
- vue3 deep (35)
- win10 ssh (35)
- vue foreach (34)
- idea设置编码为utf8 (35)
- vue 数组添加元素 (34)
- std find (34)
- tablefield注解用途 (35)
- python str转json (34)
- java websocket客户端 (34)
- tensor.view (34)
- java jackson (34)
- vmware17pro最新密钥 (34)
- mysql单表最大数据量 (35)