使用 python 搭建服务器后端流程

都是 ChatGPT 写的，我就不掩饰了。

在开发环境和生产环境使用不同的配置文件

太好了！既然你用的是 Python，那我们就用 python-dotenv 配合环境变量管理来优雅地区分本地和生产配置 🐍✨

🌟 一套完整可用的 Python 环境变量配置方案

✅ 第一步：安装依赖

pip install python-dotenv

✅ 第二步：创建 `.env` 文件

你可以建两个文件：

`.env`（开发环境用）

APP_ENV=development
API_URL=http://localhost:8000
DEBUG=true

`.env.production`（生产环境用）

APP_ENV=production
API_URL=https://yourdomain.com
DEBUG=false

✅ 第三步：在项目中读取 `.env` 文件

创建一个 config.py 来统一管理配置 👇

import os
from dotenv import load_dotenv

# 判断使用哪个 env 文件
env_file = '.env.production' if os.getenv('ENV') == 'production' else '.env'
load_dotenv(dotenv_path=env_file)

class Settings:
    APP_ENV: str = os.getenv("APP_ENV", "development")
    API_URL: str = os.getenv("API_URL", "http://localhost:8000")
    DEBUG: bool = os.getenv("DEBUG", "false").lower() == "true"

settings = Settings()

然后你就可以在任意地方使用：

from config import settings

print("当前环境:", settings.APP_ENV)
print("是否开启调试:", settings.DEBUG)

✅ 第四步：启动时传入 ENV

开发时：

ENV=development python main.py

生产部署时：

ENV=production python main.py

✅ Bonus：FastAPI 的典型用法

如果你用的是 FastAPI，可以把配置和应用分开：

from fastapi import FastAPI
from config import settings

app = FastAPI(debug=settings.DEBUG)

@app.get("/")
def read_root():
    return {
        "env": settings.APP_ENV,
        "api_url": settings.API_URL
    }

创建 python 虚拟环境

当然可以！🥼我们来一步一步创建一个新的 Python 虚拟环境，并从你当前的 conda 环境导出依赖到 requirements.txt，然后再基于这个文件创建一个全新的虚拟环境。

✅ 一整套创建虚拟环境的标准流程（基于现有 conda 环境）

📦 第一步：从现有的 conda 环境导出 `requirements.txt`

假设你的 conda 环境名为 myenv（可以用 conda env list 查看你的环境名），然后执行：

conda activate myenv
pip freeze > requirements.txt

💡 为什么不直接用 conda list --export？
因为 pip freeze 生成的是 pip 能识别的格式，而 requirements.txt 主要就是给 pip 用的，适合在虚拟环境中用。

🧰 第二步：创建新的虚拟环境（使用 `venv`）

推荐使用 Python 自带的 venv 模块，不依赖 conda，更轻量。

python -m venv venv

这将在当前目录下创建一个名为 venv 的虚拟环境。

🚀 第三步：激活虚拟环境

不同系统命令略有不同：

Windows： .\venv\Scripts\activate
macOS / Linux： source venv/bin/activate

你激活后会看到命令行前面多了 (venv) 这样的提示。

📥 第四步：安装 `requirements.txt` 中的依赖

确保激活虚拟环境后运行：

pip install -r requirements.txt

🌼 第五步（可选）：验证依赖是否安装成功

pip list

确保列表中的依赖与你在 conda 环境中看到的匹配。

🧹 第六步（可选）：清理不必要的包

如果你只想保留实际使用的依赖，推荐用：

pip install pipreqs
pipreqs . --force

它会根据你代码中实际 import 的内容，生成一个精简版 requirements.txt。

利用 pm2 管理进程

🧰 第一步：安装 PM2

如果你还没装 PM2，可以用以下命令安装（需要 Node.js）：

npm install -g pm2

🚀 第二步：用 PM2 启动你的 Python 程序

直接运行下面这条命令即可：

pm2 start "ENV=production ./venv/bin/python main.py" --name ice-backend

说明：

ENV=production：这是你自定义的环境变量。
python3 main.py：是你项目的启动指令。
--name ice-backend：是你给这个进程起的名字（可以随便换）。

🔄 第三步：设置开机自启（部署用）

pm2 startup
pm2 save

这可以让你的程序在服务器重启后自动重新启动。

📝 第四步：查看与管理进程

查看运行状态： pm2 status
查看日志输出： pm2 logs ice-backend
重启程序： pm2 restart ice-backend
停止程序： pm2 stop ice-backend
删除进程： pm2 delete ice-backend

📦 Bonus：保存配置文件（可选）

你也可以写一个 ecosystem.config.js：

module.exports = {
  apps: [
    {
      name: "ice-backend",
      script: "main.py",
      interpreter: "python3",
      env: {
        ENV: "production"
      }
    }
  ]
}

然后启动：

pm2 start ecosystem.config.js