我们知道Python是一门解释型语言，项目运行时需要依赖Python解释器，并且有时候需要安装项目中对应的三方依赖库。对于专业的Python开发者来说，可以直接通过pip命令进行安装即可。但是如果是分发给其他的Windows用户，特别是不熟悉Python的人来说，这样过于繁琐。因此最好的办法是连同Python解释器和Python项目打包在一起，通过嵌入式一键整合包解决项目的分发问题。
本次我们以一键扒谱的项目为例子，演示如何将项目直接打包为一键整合包，方便其他用户运行使用。
嵌入式Python处理
首先克隆我们自己的项目：
git clone https://github.com/v3ucn/YiJianBaPu.git
正常流程是通过pip安装项目的依赖。
但现在我们不直接通过pip安装依赖，而是通过嵌入式的安装包。
进入Python官方的下载页面：
https://www.python.org/downloads/windows/
下载Windows embeddable package (64-bit)安装包，注意是embeddable版本的，并不是传统安装包，同时版本也需要和开发项目的Python版本吻合：
随后将其解压到项目的根目录，并且下载get-pip.py文件，放入到刚刚解压的安装包内，下载地址：
https://bootstrap.pypa.io/get-pip.py
放入之后的目录结构如下：
D:\work\YiJianBaPu\python310>tree /f Folder PATH listing for volume 新加卷 Volume serial number is 9824-5798 D:. get-pip.py libcrypto-1_1.dll libffi-7.dll libssl-1_1.dll LICENSE.txt pyexpat.pyd python.cat python.exe python3.dll python310.dll python310.zip python310._pth pythonw.exe select.pyd sqlite3.dll unicodedata.pyd vcruntime140.dll vcruntime140_1.dll winsound.pyd _asyncio.pyd _bz2.pyd _ctypes.pyd _decimal.pyd _elementtree.pyd _hashlib.pyd _lzma.pyd _msi.pyd _multiprocessing.pyd _overlapped.pyd _queue.pyd _socket.pyd _sqlite3.pyd _ssl.pyd _uuid.pyd _zoneinfo.pyd
随后在项目的根目录执行命令：
.\python310\python.exe .\python310\get-pip.py
注意这里的python.exe并不是本地开发环境的Python，而是嵌入式解释器的Python。
此时我们的目录中多出两个文件夹Lib和Scripts：
D:\work\YiJianBaPu\python310>tree Folder PATH listing for volume 新加卷 Volume serial number is 9824-5798 D:. ├───Lib │ └───site-packages │ ├───pip │ │ ├───_internal │ │ │ ├───cli │ │ │ │ └───__pycache__ │ │ │ ├───commands │ │ │ │ └───__pycache__ │ │ │ ├───distributions │ │ │ │ └───__pycache__ │ │ │ ├───index │ │ │ │ └───__pycache__ │ │ │ ├───locations │ │ │ │ └───__pycache__ │ │ │ ├───metadata │ │ │ │ ├───importlib │ │ │ │ │ └───__pycache__ │ │ │ │ └───__pycache__ │ │ │ ├───models │ │ │ │ └───__pycache__ │ │ │ ├───network │ │ │ │ └───__pycache__ │ │ │ ├───operations │ │ │ │ ├───build │ │ │ │ │ └───__pycache__ │ │ │ │ ├───install │ │ │ │ │ └───__pycache__ │ │ │ │ └───__pycache__ │ │ │ ├───req │ │ │ │ └───__pycache__ │ │ │ ├───resolution │ │ │ │ ├───legacy │ │ │ │ │ └───__pycache__ │ │ │ │ ├───resolvelib │ │ │ │ │ └───__pycache__ │ │ │ │ └───__pycache__ │ │ │ ├───utils │ │ │ │ └───__pycache__ │ │ │ ├───vcs │ │ │ │ └───__pycache__ │ │ │ └───__pycache__ │ │ ├───_vendor │ │ │ ├───cachecontrol │ │ │ │ ├───caches │ │ │ │ │ └───__pycache__ │ │ │ │ └───__pycache__ │ │ │ ├───certifi │ │ │ │ └───__pycache__ │ │ │ ├───chardet │ │ │ │ ├───cli │ │ │ │ │ └───__pycache__ │ │ │ │ ├───metadata │ │ │ │ │ └───__pycache__ │ │ │ │ └───__pycache__ │ │ │ ├───colorama │ │ │ │ ├───tests │ │ │ │ │ └───__pycache__ │ │ │ │ └───__pycache__ │ │ │ ├───distlib │ │ │ │ └───__pycache__ │ │ │ ├───distro │ │ │ │ └───__pycache__ │ │ │ ├───idna │ │ │ │ └───__pycache__ │ │ │ ├───msgpack │ │ │ │ └───__pycache__ │ │ │ ├───packaging │ │ │ │ └───__pycache__ │ │ │ ├───pkg_resources │ │ │ │ └───__pycache__ │ │ │ ├───platformdirs │ │ │ │ └───__pycache__ │ │ │ ├───pygments │ │ │ │ ├───filters │ │ │ │ │ └───__pycache__ │ │ │ │ ├───formatters │ │ │ │ │ └───__pycache__ │ │ │ │ ├───lexers │ │ │ │ │ └───__pycache__ │ │ │ │ ├───styles │ │ │ │ │ └───__pycache__ │ │ │ │ └───__pycache__ │ │ │ ├───pyparsing │ │ │ │ ├───diagram │ │ │ │ │ └───__pycache__ │ │ │ │ └───__pycache__ │ │ │ ├───pyproject_hooks │ │ │ │ ├───_in_process │ │ │ │ │ └───__pycache__ │ │ │ │ └───__pycache__ │ │ │ ├───requests │ │ │ │ └───__pycache__ │ │ │ ├───resolvelib │ │ │ │ ├───compat │ │ │ │ │ └───__pycache__ │ │ │ │ └───__pycache__ │ │ │ ├───rich │ │ │ │ └───__pycache__ │ │ │ ├───tenacity │ │ │ │ └───__pycache__ │ │ │ ├───tomli │ │ │ │ └───__pycache__ │ │ │ ├───truststore │ │ │ │ └───__pycache__ │ │ │ ├───urllib3 │ │ │ │ ├───contrib │ │ │ │ │ ├───_securetransport │ │ │ │ │ │ └───__pycache__ │ │ │ │ │ └───__pycache__ │ │ │ │ ├───packages │ │ │ │ │ ├───backports │ │ │ │ │ │ └───__pycache__ │ │ │ │ │ └───__pycache__ │ │ │ │ ├───util │ │ │ │ │ └───__pycache__ │ │ │ │ └───__pycache__ │ │ │ ├───webencodings │ │ │ │ └───__pycache__ │ │ │ └───__pycache__ │ │ └───__pycache__ │ ├───pip-23.3.1.dist-info │ ├───pkg_resources │ │ ├───extern │ │ │ └───__pycache__ │ │ ├───_vendor │ │ │ ├───importlib_resources │ │ │ │ └───__pycache__ │ │ │ ├───jaraco │ │ │ │ ├───text │ │ │ │ │ └───__pycache__ │ │ │ │ └───__pycache__ │ │ │ ├───more_itertools │ │ │ │ └───__pycache__ │ │ │ ├───packaging │ │ │ │ └───__pycache__ │ │ │ ├───platformdirs │ │ │ │ └───__pycache__ │ │ │ └───__pycache__ │ │ └───__pycache__ │ ├───setuptools │ │ ├───command │ │ │ └───__pycache__ │ │ ├───config │ │ │ ├───_validate_pyproject │ │ │ │ └───__pycache__ │ │ │ └───__pycache__ │ │ ├───extern │ │ │ └───__pycache__ │ │ ├───_distutils │ │ │ ├───command │ │ │ │ └───__pycache__ │ │ │ └───__pycache__ │ │ ├───_vendor │ │ │ ├───importlib_metadata │ │ │ │ └───__pycache__ │ │ │ ├───importlib_resources │ │ │ │ └───__pycache__ │ │ │ ├───jaraco │ │ │ │ ├───text │ │ │ │ │ └───__pycache__ │ │ │ │ └───__pycache__ │ │ │ ├───more_itertools │ │ │ │ └───__pycache__ │ │ │ ├───packaging │ │ │ │ └───__pycache__ │ │ │ ├───tomli │ │ │ │ └───__pycache__ │ │ │ └───__pycache__ │ │ └───__pycache__ │ ├───setuptools-68.2.2.dist-info │ └───_distutils_hack │ └───__pycache__ └───Scripts
随后修改python310._pth文件，将内容改成下面这样：
python310.zip . # Uncomment to run site.main() automatically import site
至此，嵌入式解释器就配置好了。
嵌入式安装依赖
此后，当我们需要安装依赖时，必须用嵌入式的解释器进行安装：
.\python310\python.exe -m pip install noisereduce -t E:\work\YiJianBaPu\python310\Lib\site-packages
上面的命令展示如何嵌入式安装依赖库noisereduce。
这里需要注意的时，解释器必须是嵌入式解释器.\python310\python.exe，同时通过-t参数来指定三方库的位置，也就是说，必须安装到项目的目录中，而不是系统的默认开发环境目录。
安装成功后，我们必须可以在项目的目录下可以找到这个库：
D:\work\YiJianBaPu\python310\Lib\site-packages>tree Folder PATH listing for volume 新加卷 Volume serial number is 9824-5798 D:. ├───noisereduce │ ├───spectralgate │ │ └───__pycache__ │ ├───torchgate │ │ └───__pycache__ │ └───__pycache__
如此，依赖和解释器就紧密结合在一起了，换台机器，并不需要安装也可以直接启动。
一键启动
现在，我们来编写一键启动脚本，launch.bat文件：
@echo off chcp 65001 @echo 开始运行 call .\python310\python.exe -m spleeter separate -p spleeter:2stems -o ./output ./test.mp3 call .\python310\python.exe ./infer.py --model ./ckpt/model_ckpt_steps_104000_simplified.ckpt --wav ./output/test/vocals.wav @echo 处理完毕，请按任意键 call pause
这里chcp命令用来声明编码，防止中文提示乱码。
call用来执行脚本，注意解释器必须使用项目内置的嵌入式解释器.\python310\python.exe
随后双击执行脚本launch.bat，程序返回：
Active code page: 65001 开始运行 INFO:spleeter:File ./output\test/vocals.wav written succesfully INFO:spleeter:File ./output\test/accompaniment.wav written succesfully accumulate_grad_batches: 1, audio_sample_rate: 44100, binarization_args: {'num_workers': 0, 'shuffle': True}, binarizer_cls: preprocessing.MIDIExtractionBinarizer, binary_data_dir: data/some_ds_fixmel_spk3_aug8/binary, clip_grad_norm: 1, dataloader_prefetch_factor: 2, ddp_backend: nccl, ds_workers: 4, finetune_ckpt_path: None, finetune_enabled: False, finetune_ignored_params: [], finetune_strict_shapes: True, fmax: 8000, fmin: 40, freezing_enabled: False, frozen_params: [], hop_size: 512, log_interval: 100, lr_scheduler_args: {'min_lr': 1e-05, 'scheduler_cls': 'lr_scheduler.scheduler.WarmupLR', 'warmup_steps': 5000}, max_batch_frames: 80000, max_batch_size: 8, max_updates: 10000000, max_val_batch_frames: 10000, max_val_batch_size: 1, midi_extractor_args: {'attention_drop': 0.1, 'attention_heads': 8, 'attention_heads_dim': 64, 'conv_drop': 0.1, 'dim': 512, 'ffn_latent_drop': 0.1, 'ffn_out_drop': 0.1, 'kernel_size': 31, 'lay': 8, 'use_lay_skip': True}, midi_max: 127, midi_min: 0, midi_num_bins: 128, midi_prob_deviation: 1.0, midi_shift_proportion: 0.0, midi_shift_range: [-6, 6], model_cls: modules.model.Gmidi_conform.midi_conforms, num_ckpt_keep: 5, num_sanity_val_steps: 1, num_valid_plots: 300, optimizer_args: {'beta1': 0.9, 'beta2': 0.98, 'lr': 0.0001, 'optimizer_cls': 'torch.optim.AdamW', 'weight_decay': 0}, pe: rmvpe, pe_ckpt: pretrained/rmvpe/model.pt, permanent_ckpt_interval: 40000, permanent_ckpt_start: 200000, pl_trainer_accelerator: auto, pl_trainer_devices: auto, pl_trainer_num_nodes: 1, pl_trainer_precision: 32-true, pl_trainer_strategy: auto, raw_data_dir: [], rest_threshold: 0.1, sampler_frame_count_grid: 6, seed: 114514, sort_by_len: True, task_cls: training.MIDIExtractionTask, test_prefixes: None, train_set_name: train, units_dim: 80, units_encoder: mel, units_encoder_ckpt: pretrained/contentvec/checkpoint_best_legacy_500.pt, use_buond_loss: True, use_midi_loss: True, val_check_interval: 4000, valid_set_name: valid, win_size: 2048 | load 'model' from 'ckpt\model_ckpt_steps_104000_simplified.ckpt'. 100%|████████████████████████████████████████████████████████████████████████████████████| 2/2 [00:01<00:00, 1.88it/s] 处理完毕，请按任意键 Press any key to continue . . .
可以看到，执行结果和传统终端执行的结果是一致的。
区别是使用者并不需要本地配置Python环境，只需要下载项目的整合包即可。
结语
通过嵌入式打包，可以把Python程序和解释器、依赖库一并打包分发给非专业用户，由此就提高了这部分用户群体的使用体验，最后奉上打包后的整合包，以飨众乡亲：
链接：https://pan.baidu.com/s/1HN3LAusdtofwqtb4gnSwvQ?pwd=72yq
经验首页