Python工程化核心是理解代码在真实环境可靠运行的逻辑，涵盖模块导入机制、包管理与依赖隔离、配置分离及从脚本到可发布包的实战改造。
Python工程化不是堆砌工具，而是理解“代码如何在真实环境中可靠运行”的逻辑。这一讲聚焦两个关键：一是拆解工程化背后的核心原理（比如模块加载、包管理、依赖隔离的本质），二是用一个可落地的实战案例贯穿始终，把抽象概念变成你改几行就能验证的行为。
模块导入机制：不只是import，而是路径、缓存与命名空间的协同
很多人遇到ImportError就查路径，其实问题常出在缓存或命名空间污染上。Python导入分三步：查找（sys.path）、加载（执行模块代码）、绑定（放入globals()）。模块被导入后会缓存在sys.modules中，重复import不重新执行——这也是热重载失败的根源。
- 调试时可用
importlib.reload(module)强制重载（仅限已导入模块） - 避免用
from xxx import *，它会模糊命名空间边界，引发覆盖和难以追踪的bug - 自定义
__import__或importlib.util.spec_from_file_location可实现动态模块加载，适合插件系统
包管理与依赖隔离：venv、pip与pyproject.toml的真实分工
venv只负责环境隔离（复制Python解释器+独立site-packages），pip负责安装与卸载，而pyproject.toml才是现代Python项目的“契约文件”——它声明构建系统、依赖、可选特性（extras）和打包配置。
- 不用再写
setup.py，用build命令（来自build包）直接生成wheel或sdist - 依赖分三类：
dependencies（运行必需）、optional-dependencies（如[dev]、[test]）、build-system（指定构建工具，如setuptools或hatchling） - 本地开发时，用
pip install -e .以“可编辑模式”安装，代码改完立即生效，无需反复install
实战案例：从脚本到可发布包的完整改造
假设你有一个数据清洗脚本clean_data.py，含3个函数、1个配置字典、依赖pandas和click。工程化改造步骤如下：
立即学习“Python免费学习笔记（深入）”；
- 新建
src/cleaner/__init__.py和src/cleaner/main.py，把逻辑移入包结构 - 添加
pyproject.toml，声明[project]（name、version、requires-python）、[project.dependencies]和[project.entry-points."console_scripts"]（绑定clean-data = cleaner.main:cli） - 用
click重写入口为CLI命令，支持--input、--output参数 - 运行
pip install -e .后，终端直接输入clean-data --input data.csv即可执行
配置与环境分离：为什么硬编码路径和数据库密码是工程化第一道坎
配置不是“写死在代码里”，也不是全塞进.env。合理分层是：pydantic-settings读取环境变量 + config.yaml作为默认配置 + 运行时优先级（命令行 > 环境变量 > 配置文件 > 代码默认值）。
- 用
BaseSettings自动类型转换和校验，比如DB_PORT: int = 5432，输错字符串直接报错 -
.env只放敏感信息（密码、密钥），且不提交到Git；config.yaml放非敏感但可能变动的参数（超时、重试次数） - 生产部署时，用Kubernetes ConfigMap挂载配置，或Docker run时传
-e DB_URL=...
工程化不是追求工具链最全，而是让每次协作、部署、调试都减少“咦，我本地好好的啊”这类对话。原理清楚了，工具只是手的延伸。
