用 pipdeptree 清理顶级依赖，再用 uv 迁移至 pyproject.toml 并锁定版本，实现可复现、可部署的现代 Python 依赖管理。

🧱 一、现实问题：requirements.txt 的“依赖泥潭”

在老项目中，常见的现象是这样的：

$ pip list
Package         Version
--------------- --------
numpy           1.24.3
pandas          2.0.1
requests        2.31.0
urllib3         2.0.4
charset-normalizer 3.2.0
idna            3.4
fastapi         0.95.2
uvicorn         0.22.0
pydantic        1.10.11
...

看起来一切正常，其实乱得很。
因为 requirements.txt 里可能只有 3~5 个包：

fastapi==0.95.2
pandas==2.0.1
uvicorn==0.22.0

但 pip list 却列出了几十个依赖。这时有两个关键问题：

1. 哪些是项目自己需要的？
2. 哪些是​依赖的依赖(transitive dependencies)？

我们要在迁移前先把这些关系理清，否则迁移到 pyproject.toml 之后仍旧是混乱的。

🧩 二、精准识别“主依赖” vs “传递依赖”

1️⃣ 使用 pipdeptree 分析依赖树

安装：

pip install pipdeptree

查看依赖层级：

pipdeptree --warn silence

示例输出：

fastapi==0.95.2
  - pydantic [required: <2.0.0, installed: 1.10.11]
  - starlette [required: <1.0.0, installed: 0.27.0]
pandas==2.0.1
  - numpy [required: >=1.20.3, installed: 1.24.3]
  - python-dateutil [installed: 2.8.2]
  - pytz [installed: 2023.3]
uvicorn==0.22.0
  - click [installed: 8.1.3]
  - h11 [installed: 0.14.0]

👉 很明显，fastapi、pandas、uvicorn 是你主动安装的；
其余如 pydantic、numpy、starlette 等都是“传递依赖”。

Tip: 你可以用 pipdeptree --reverse 反查：哪个包依赖了这个库。

🧮 三、清理并锁定顶级依赖

1️⃣ 提取顶级包

pip freeze > all.txt
pipdeptree --warn silence --freeze > tree.txt

打开 tree.txt，手动（或脚本）过滤掉那些被其他包引用的依赖。

最终保留的核心依赖（即​顶级包​）写入新的 requirements.txt：

fastapi==0.95.2
pandas==2.0.1
uvicorn==0.22.0

2️⃣ 验证清理是否正确

先创建个全新虚拟环境：

python -m venv cleanenv
source cleanenv/bin/activate
pip install -r requirements.txt
pipdeptree

如果依赖树和原项目行为一致，你的“核心依赖集”就整理对了。

🧭 四、迁移到 pyproject.toml + uv

安装 uv（强烈推荐）：

curl -LsSf https://astral.sh/uv/install.sh | sh

初始化：

uv init

导入依赖：

uv add --from-requirements requirements.txt

查看结果（生成的 pyproject.toml）：

[project]
name = "movie-analyzer"
version = "0.1.0"
dependencies = [
    "fastapi==0.95.2",
    "pandas==2.0.1",
    "uvicorn==0.22.0",
]
requires-python = ">=3.10"

🧰 五、验证和同步依赖

锁定依赖版本：

uv lock

安装依赖：

uv sync

验证运行：

uv run python main.py

✅ uv 会自动生成 .venv 和 uv.lock，确保依赖一致性。
即使协作者在另一台机器，也能完美复现同样的环境。

🧱 六、用 Docker 打包部署

这是最通用、最干净的构建方式。

FROM python:3.11-slim AS base

# 安装 uv
RUN pip install uv

WORKDIR /app

# 拷贝依赖文件
COPY pyproject.toml uv.lock ./

# 安装依赖
RUN uv sync --frozen --no-cache

# 拷贝源码
COPY src ./src

# 入口命令
CMD ["uv", "run", "fastapi", "run", "--host", "0.0.0.0", "--port", "8000"]

构建镜像：

docker build -t docker-test .

运行容器：

docker run -p 8000:8000 docker-test

🔍 七、附：自动识别“顶级依赖”的脚本

如果你懒得手动筛选，可以用这个 Python 脚本快速过滤：

import subprocess

def get_top_level_packages():
    output = subprocess.check_output(["pipdeptree", "--warn", "silence"]).decode()
    top_level = []
    for line in output.splitlines():
        if not line.startswith(" "):  # 顶级包
            pkg = line.split("==")[0]
            top_level.append(pkg)
    return top_level

if __name__ == "__main__":
    for pkg in get_top_level_packages():
        print(pkg)

执行：

python find_top_deps.py > clean_requirements.txt

它会自动生成仅包含“主依赖”的 requirements.txt。

⚡ 八、实战总结

步骤	工具	作用
依赖分析	pipdeptree	查出依赖关系树
顶级提取	脚本 or 手动	确定哪些是核心依赖
环境验证	venv+pip install	确认依赖可重现
现代化迁移	uv init + add	生成 pyproject.toml
锁定同步	uv lock + sync	可重复依赖管理
部署打包	Docker + uv	一致性环境交付

---

🧠 九、总结

“requirements.txt 是笔记本，而 pyproject.toml 是配置中心。”

通过 pipdeptree 清理依赖、再用 uv 统一管理，
你能把老项目彻底从“依赖泥潭”里拔出来，
同时获得更快的安装、更好的团队协作与更稳定的部署。

作者: 文章链接: https://reinness.com/posts/313 版权声明:  本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自小陈同学 ！