企业官网建设流程全解析

这份Python实验记录，其实不只是记录代码怎么跑通，更像是我从零开始折腾Python这段路上的完整复盘。从装解释器、配环境，到写爬虫、做数据分析，再到打包成exe、用Docker跑起来，中间踩过的坑比代码行数还多。像“python was not found”这种报错、pip安装库失败、matplotlib横坐标挤成一团，这些高频问题我都遇到过，也都找到了能直接照抄的解决办法。

如果你正准备学Python、或者已经写了一段时间但总被环境问题和各种报错卡住，这份记录应该很适合你。我不会只贴一句“安装成功”，而是把每一步背后的为什么也讲清楚，比如为什么要用虚拟环境、为什么切片容易搞混、为什么协程能提高效率。这样你遇到类似问题时，不是靠猜，而是能自己推导出来。

实验记录这种东西，最怕的就是写成流水账。我尽量把每次实验的目的、过程、结果和心理活动都留下来了，成功的、失败的都是，希望对你有用。

1. 实验环境准备：装对Python比学语法更先磨人

1.1 Python版本怎么选、PATH勾选为什么要慎重

很多新手拿到Python第一个坑，就是不知道下载哪个版本。我的建议是直接选官方的最新稳定版，比如3.11或3.12，不要碰2.x系列，也不要贪新用那种刚发布的alpha版本。原因很简单：第三方库的兼容性都优先保证主流稳定版，比如pandas、numpy、sklearn这些库，你在3.8上能装，在3.10上也能装，但如果选了太冷门的版本，说不定哪天安装某个库就报“找不到匹配版本”。

安装时Windows安装包界面上那个“Add Python to PATH”复选框，一定记得勾上。很多人就是因为没勾，后面在cmd里输入python，冒出那句经典提示“Python was not found”。这句提示不是说你电脑没装Python，而是系统在PATH环境变量里找不到python.exe。你要是没勾，后期手动加环境变量也可以，但为什么不一步到位呢。

安装路径也别图省事放在带空格或者中文的目录下，比如“C:\Program Files (x86)\Python”虽然也能用，但后续某些工具处理起来会麻烦。我习惯自定义一个“D:\Python312”这样简洁的路径，好记也不容易出问题。装完以后打开命令行，输入python --version和pip --version，都能正常输出版本号，说明解释器和包管理器都就位了。

1.2 虚拟环境加pip换源：避免重装Python的后悔药

我刚学Python时，所有第三方库一股脑装到全局环境里，结果就是不同项目依赖的库版本互相冲突，今天升级了这个库，明天那个项目的代码就报错。后来才养成了用虚拟环境的习惯。Python自带的venv模块就够用了，不需要额外安装其他工具。

# 创建虚拟环境（在项目目录下执行） python -m venv venv # 激活虚拟环境 # Windows: venv\Scripts\activate # Linux/Mac: source venv/bin/activate

激活后，命令行前面会出现“(venv)”标识，这时候pip install的库就都装在这个隔离环境里，不会污染全局。每次新建项目，我第一件事就是创建并激活虚拟环境。

还有一个体验提升很大的操作，就是给pip换源。默认的官方源在境外，下载速度真的能急死人。我用的阿里云镜像源，配置一次永久生效。Windows下在%APPDATA%\pip目录建一个pip.ini文件（没有目录就新建），Linux/Mac下是~/.config/pip/pip.conf，写入：

[global] index-url = https://mirrors.aliyun.com/pypi/simple/ trusted-host = mirrors.aliyun.com

换源之后pip install numpy这种安装基本几秒钟搞定。如果公司内网环境比较特殊、不能联网，那就还需要另一招：在一台联网机器上执行pip download numpy -d ./packages把安装包下载下来，再拷贝到内网机器上，pip install numpy时指定本地包目录--no-index --find-links=./packages就行。这个离线安装思路我后来在部署服务器时反复用到。

1.3 VSCode与PyCharm：编辑器配置Python环境的核心操作

编辑器这块我主力用VSCode，好在轻量，也好在跨平台。装好VSCode之后，安装Python扩展（微软官方那个），然后按Ctrl+Shift+P，输入“Python: Select Interpreter”，选择刚创建的虚拟环境。这一步如果漏了，VSCode里运行时可能一直找不到模块，或者直接提示Python没安装。

我习惯在项目根目录建.vscode/launch.json，用F5调试时直接跑当前文件，配置很简单：

{ "version": "0.2.0", "configurations": [ { "name": "Python: 当前文件", "type": "python", "request": "launch", "program": "${file}", "console": "integratedTerminal", "env": { "PYTHONPATH": "${workspaceFolder}" } } ] }

PyCharm我也用过一段时间，它更适合大型工程，但启动速度和内存占用是硬伤。无论选哪个，核心逻辑是一样的：告诉IDE用哪个解释器、把项目根目录加入PYTHONPATH。配置好环境之后，我养成了一个习惯——每写几行代码就跑一下，看见输出就安心了，而不是等写几百行再一口气运行，那样报错定位会很痛苦。

2. Python语法实验：从变量、函数到切片和类型转换

2.1 动态类型与内存对象的id实验

Python是动态类型语言，变量本身没有类型，类型属于对象。这个概念我最初是模糊的，直到做了个简单的id实验才真正理解。id()函数返回对象在内存中的唯一标识，用它观察能发现很多有趣的现象。

a = 10 print(id(a)) # 比如输出 140721861621720 a = "hello" print(id(a)) # 输出完全不同的另一个值，说明a绑定了新的对象

这看起来简单，但很有深意。我一开始以为“给a赋新值”是把旧变量内容改掉了，实际是让变量名a指向了另一个对象。还有个经典实验是Python的小整数驻留机制：[-5, 256]范围内的整数因为频繁使用，会被Python缓存，所以a = 256; b = 256; a is b是True，但a = 257; b = 257; a is b却是False。知道这个规律，你就不会在代码里依赖is来比较整数，因为is比较的是对象身份，数值相等该用==。

这个观念转变很重要，尤其是后面学函数传参时，可变对象和不可变对象的行为差异就来源于这里。列表、字典这些可变对象作为参数传入函数时，函数内部修改会影响外部原对象；而整数、字符串、元组这种不可变对象则不会。搞清楚这一个点，很多bug都能提前避免。

2.2 函数定义实验：默认参数、可变参数和abs函数

定义函数是语法学习的分水岭。我实验过的常规定义方式：

def greet(name, greeting="Hello"): return f"{greeting}, {name}!" def sum_all(*args): # 可变位置参数 return sum(args) def info(**kwargs): # 可变关键字参数 return kwargs print(greet("小明")) # Hello, 小明! print(sum_all(1, 2, 3, 4)) # 10 print(info(name="小红", age=18)) # {'name': '小红', 'age': 18}

这里有个经典大坑，就是默认参数不要用可变对象。我踩过这个坑：

def add_item(item, lst=[]): lst.append(item) return lst print(add_item("a")) # ['a'] print(add_item("b")) # ['a', 'b']，问题来了！

第二次调用时，lst还会保留上一次的“a”，因为默认列表在函数定义时只创建一次，后续调用共享同一个对象。正确写法是def add_item(item, lst=None):，函数内部再判断if lst is None: lst = []。

顺便说个容易被忽略的内置函数abs。很多基础教程都是一句话带过——“求绝对值”。但它的用途其实比想象中广：计算两个坐标点距离、判断误差是否在允许范围内、处理负值数据都离不开它。abs(-3.14)等于3.14，abs(3 + 4j)返回5.0，因为复数绝对值的含义是模长。这些细节我是在写数据清洗脚本时才发现，原来基础函数也有这么多门道。

lambda表达式我把它当作一次性小函数的语法糖。比如排序时指定key，直接data.sort(key=lambda x: x[1])就能按第二个元素排序，比单独定义一个具名函数更简洁。但如果逻辑比较复杂，还是def更清晰，可读性永远比“写得很炫”重要。

2.3 类型转换实验：显式、隐式与常见的ValueError

Python的类型转换，说白了就是四种场景：字符串转数字、数字转字符串、数值之间的转换、序列类型之间的转换。我做了个简单实验：

# 字符串转数字 print(int("123")) # 123 print(float("3.14")) # 3.14 # 数字转字符串 print(str(123) + "abc") # 123abc # 数值间转换需要注意截断 print(int(3.9)) # 3，不是四舍五入，是向零截断 # 进制转换 print(int("ff", 16)) # 255，按16进制解析

最容易出错的，是int("abc")或者int("3.14")这类无法转换的字符串，会直接抛ValueError。我在实际写脚本时经常要处理用户输入，比如从Excel读出来一个长度数字，但它可能被存成了“10,000”这种带千分位逗号的样子，直接int肯定报错。我的处理是先清洗再转：

def safe_convert_to_int(text): cleaned = str(text).replace(",", "").strip() try: return int(cleaned) except ValueError: return 0

字符串拼接也是新手的重灾区：price = 12.5，然后直接print("价格是" + price)会报TypeError。因为字符串和浮点数不能直接相加。正确方式是print("价格是" + str(price))或者用f-string：print(f"价格是{price}")。Python的f-string是我最喜欢的格式化方式，简洁直观，强烈建议早点用起来。

2.4 数组切片实验：一个口诀解决所有切片难题

切片是Python里非常优雅也容易混淆的特性。我做了大量实验，最终总结了一个口诀：切片三步走，起点、终点、步长；左闭右开，步长为负时方向反转。

data = list(range(10)) # [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] print(data[1:5]) # [1, 2, 3, 4]，不包含索引5 print(data[:3]) # [0, 1, 2]，开头省略表示从0开始 print(data[7:]) # [7, 8, 9]，结尾省略表示到末尾 print(data[::2]) # [0, 2, 4, 6, 8]，每隔一个取一个 print(data[::-1]) # [9, 8, 7, 6, 5, 4, 3, 2, 1, 0]，反转列表 print(data[-3:]) # [7, 8, 9]，负索引从末尾数

字符串也是同样的规则。"python"[1:4]得到“yth”，“python”[::-1]得到“nohtyp”，这个技巧我经常用来快速判断回文串。

还有一个很多人忽略的坑：切片返回的是新对象还是视图？对于列表来说，切片返回的是新列表，修改切片不会影响原列表。这个特性能用来复制列表——copy_list = data[:]。但注意，如果你直接写copy_list = data，那不是复制，只是给原列表起了一个新名字，两者指向同一个对象，改其中一个另一个也会变。这个区别我在项目里吃过亏，排查半天发现是引用共享导致数据被意外修改。

3. 并发与协程实验：线程不灵，协程来凑

3.1 从同步到协程：为什么IO密集型任务该用协程

我在写爬虫时遇到一个现实问题：要下载100个小文件，一个一个来太慢，用多线程又老是要控制共享变量。后来才系统学了协程，才知道在Python里处理IO密集型任务，协程是更轻量的方案。

先做个小实验对比一下。同步方式下载多个URL，总耗时是所有请求耗时的总和。协程方式，在等待网络响应的间隙，解释器会自动切到另一个任务去执行，总耗时约等于最慢那个请求的耗时。这个提升在网络请求这种IO场景非常明显。

这里科普一个背景知识：CPython有GIL（全局解释器锁），多线程在CPU密集型任务上基本发挥不了多核优势。但协程不一样，它是在单线程内实现的并发，靠的是“遇到IO就主动让出控制权”，没有线程切换的系统开销。所以结论是：CPU密集用多进程，IO密集用协程，这个判断标准后来一直指导着我的方案选型。

3.2 asyncio实战：async、await与create_task

Python协程的核心是事件循环。我用标准库asyncio写了一个模拟请求的实验：

import asyncio async def task(name, delay): print(f"任务{name}开始") await asyncio.sleep(delay) print(f"任务{name}结束，耗时{delay}秒") return f"{name}的结果" async def main(): # 方式一：顺序执行 # result = await task("A", 1) # result = await task("B", 2) # 方式二：并发执行 tasks = [ asyncio.create_task(task("A", 2)), asyncio.create_task(task("B", 1)), asyncio.create_task(task("C", 0.5)), ] results = await asyncio.gather(*tasks) print(results) asyncio.run(main())

这个实验验证了一件事：在协程里，用asyncio.sleep()来模拟IO，是理解事件循环最好的方式。顺序执行总耗时约3秒，并发执行总耗时约2秒，因为最慢任务是2秒，其余任务在等待间隙被穿插执行了。gather能把多个协程的返回值一次性收集起来，比逐个await高效得多。

实际写爬虫时，我还用到了Semaphore限制并发数量，防止一下子发太多请求被封：

sem = asyncio.Semaphore(10) async def fetch_with_limit(url): async with sem: return await fetch_one(url)

协程给我最大的启发，不是性能数字上的翻倍，而是“等待时不闲着”这种思维。同时也纠正了我一个错误习惯：协程里绝不能写time.sleep()，那会阻塞整个事件循环，所有任务都要排队等它睡完，相当于把并发打回了串行。必须用await asyncio.sleep()才能让出控制权。

4. 数据分析与可视化实验：从CSV到Excel的完整流程

4.1 numpy、pandas、matplotlib的安装与版本匹配问题

数据分析四件套，我装过无数次。直接一条命令搞定：

pip install numpy pandas matplotlib openpyxl

numpy是很多科学计算库的地基，sklearn、scipy都依赖它。安装sklearn库时如果报错，绝大多数情况是numpy版本不兼容，要么numpy太老、要么太新。我的处理方式是先看一眼pip list里numpy的版本，再装对应的scikit-learn版本。新版pandas有时候还会要求numpy最低版本，所以装库遇到看不懂的错误，先升级一下numpy和pip准没错。

还有一次在Linux服务器上离线装这些库，那才叫一个折腾。机器不联网，我本地用pip download把整个依赖链都拉下来，然后打包拷过去。这个过程中发现了一个规律：numpy和pandas的whl文件名里都带“cp37”或“cp311”这样的标记，它表示兼容的Python版本。cp311代表仅适用于Python 3.11，下载时一定要看准，否则本地装得上，服务器装不上。

4.2 数据读取与清洗实验：dropna、fillna的适用场景

我用一个真实场景来演示：一份CSV销售记录，里面有空值、有错误格式，还有重复行。实验目标是清洗成可用的DataFrame。

import pandas as pd df = pd.read_csv("sales.csv", encoding="utf-8") print(df.head()) # 快速预览前5行 print(df.info()) # 查看每列类型和缺失情况 print(df.isnull().sum()) # 统计缺失值数量

清洗的核心决策是：空值到底删还是补？我的经验是看业务场景和缺失比例。如果某列缺失超过50%，基本可以考虑直接丢列；如果是个别零星缺失，且是数值列，用df["price"].fillna(df["price"].mean())填充平均值；如果是时间序列，用df.fillna(method="ffill")向前填充更合理。

dropna()也不是一味地删行，它的参数thresh很有用：df.dropna(thresh=5)表示某行至少要有5个非空值才保留，这样那些几乎全是缺失的垃圾行会被清掉，而“只是某个字段没填”的有效行会留下。这个细节我第一次用的时候完全没注意，后来处理带大量空列的表才发现它的价值。

还有个高频需求是把字符串数字转为数值类型：df["sales"] = pd.to_numeric(df["sales"], errors="coerce")。errors="coerce"的作用是无法转换的自动变成NaN，而不是抛异常中断脚本。这样洗数据的过程就能一路跑到底，最后再统一处理NaN。

4.3 matplotlib画图横坐标太密集：xticks调参心得

画图踩过最大的坑，就是横坐标标签太多挤在一起，黑乎乎一坨。一开始我以为数据有问题，后来才明白是刻度密度问题。解决方案很直接：

import matplotlib.pyplot as plt import numpy as np x = [f"样本{i}" for i in range(100)] y = np.random.randn(100) plt.figure(figsize=(12, 6)) plt.plot(x, y) # 核心：每隔10个显示一个标签，并旋转45度防止重叠 step = 10 plt.xticks(np.arange(0, len(x), step), [x[i] for i in range(0, len(x), step)], rotation=45, ha="right") plt.tight_layout() plt.savefig("chart.png", dpi=150) plt.show()

figsize控制整体画布大小，np.arange(0, len(x), step)控制显示哪些位置的刻度，rotation=45旋转标签，ha="right"让标签右对齐，看起来更整齐。tight_layout()用来自动调整子图布局，避免标签被裁剪。这几个参数组合起来，基本解决了“横坐标太密”这个老大难。

我后来做周报的时候，数据点很多又需要完整保存，就用这个方式一步到位。还有个隐藏心得是dpi=150的导出质量，在PPT投屏上也完全够清晰。

4.4 写入Excel：pandas.to_excel的多sheet操作

数据分析完的结果要交付的话，Excel是绕不开的格式。pandas写Excel很方便，但要注意环境里确实装了openpyxl引擎，否则会报错。我的完整实验代码：

import pandas as pd result_df1 = pd.DataFrame({"名称": ["A", "B"], "值": [1, 2]}) result_df2 = pd.DataFrame({"名称": ["C", "D"], "值": [3, 4]}) with pd.ExcelWriter("output.xlsx", engine="openpyxl") as writer: result_df1.to_excel(writer, sheet_name="汇总表", index=False) result_df2.to_excel(writer, sheet_name="明细表", index=False)

index=False很重要，不写的话会把默认的行号也写进Excel，看上去多了一列莫名其妙的数字。多sheet输出使用ExcelWriter，上下文管理器会自动保存和关闭文件，不用手动writer.save()。

如果要把某个单元格样式也做漂亮，直接在pandas里调比较费劲，我的习惯是先把数据写好，然后再用openpyxl打开文件调整格式，比如设置表头加粗、列宽自适应。数据分析和格式美化分开处理，代码逻辑反而更清晰。

5. 爬虫与自动化实验：从静态到动态页面

5.1 静态页面爬虫：requests加BeautifulSoup的经典组合

入门爬虫，requests加BeautifulSoup是最经典的组合。我实验时写了一个不太复杂的例子，目标是从公开的新闻列表页提取标题和链接。核心代码：

import requests from bs4 import BeautifulSoup import time headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36" } try: resp = requests.get("https://example.com/news", headers=headers, timeout=10) resp.raise_for_status() resp.encoding = resp.apparent_encoding # 处理编码问题 except requests.exceptions.RequestException as e: print(f"请求失败: {e}") exit() soup = BeautifulSoup(resp.text, "html.parser") for item in soup.select(".news-item a")[:10]: title = item.get_text(strip=True) link = item.get("href") print(title, link) time.sleep(1)

几个细节说明一下。raise_for_status()会在返回状态码不是200时直接抛异常，省去手动判断。resp.encoding = resp.apparent_encoding处理乱码问题，尤其是一些老站用的gbk编码，requests默认猜测可能不准。time.sleep(1)是基本的礼貌延迟，不给目标服务器压力。爬虫的道德底线，我给自己立的规矩是：遵守robots.txt，只爬公开数据，控制请求频率，不碰任何登录后才能看的非授权内容。这不是口号，稍有不慎，人就容易滑向灰色地带。

5.2 动态页面实验：Playwright无头浏览器与等待策略

很多页面是JavaScript动态渲染的，requests拿到手的HTML里根本没有真实数据。这个时候需要无头浏览器。我选的是Playwright，它对现代浏览器的控制能力不错，而且API相对友好。安装一下就两行：

pip install playwright playwright install chromium

实验场景是抓取一个表格数据。核心逻辑是：打开页面，等表格渲染出来，再取HTML解析：

from playwright.sync_api import sync_playwright url = "https://example.com/list" with sync_playwright() as p: browser = p.chromium.launch(headless=True) page = browser.new_page() page.goto(url, wait_until="networkidle") page.wait_for_selector("table#data-table") rows = page.locator("table#data-table tbody tr").count() for i in range(rows): cells = page.locator(f"table#data-table tbody tr:nth-child({i+1}) td").all_text_contents() print(cells) browser.close()

wait_until="networkidle"是等网络空闲，再配合wait_for_selector确保关键元素出现。这种两层等待策略，比刚加载就开始找元素稳得多。headless=True是无头模式，不弹浏览器窗口，适合服务器上跑。

写爬虫时还经常遇到动态翻页，我的处理是循环里改URL参数或者点击下一页按钮，但每步操作之间都要加等待。实验了几次，我发现“等”是动态爬虫的核心艺术——等对位置、等够时间，不要一上去就咔咔点。

5.3 爬虫常见异常：超时、SSL、编码的一次排查实录

爬虫最容易翻车的就是网络层异常。我自己的排查顺序是：先给所有requests加上timeout参数，避免无限等待挂死；遇到SSL错误时先用verify=False跳过证书验证赶紧跑通逻辑，但生产环境必须换用正确的证书处理；编码问题主要靠apparent_encoding兜底。

还有一个高频坑是请求头不完整被服务器识别成爬虫，返回403。最简单的应对是把User-Agent换成一个完整的浏览器UA。再进一步可以添加Referer、Accept-Language这些头，让请求看起来更像真人访问。但也要记住，反爬对抗是螺旋上升的，最稳的策略永远是：慢一点、少一点、温和一点。我爬取的一个实际项目中，把请求间隔从0.5秒调到2秒后，从频繁触发校验码到完全正常运行，损失一点速度换来稳定性，非常划算。

6. 打包、部署与问题排查：从本地到生产环境的最后一公里

6.1 PyInstaller打包exe：从脚本到可执行文件

Python脚本在别人电脑上运行，对方通常没有Python环境，或者装了但版本不对。所以我用PyInstaller把脚本打包成独立的exe文件。基本命令：

pip install pyinstaller pyinstaller -F -w my_script.py --add-data "assets;assets"

-F表示打包成单文件，方便分发；-w表示运行时隐藏控制台窗口，适合带图形界面的程序。--add-data用来额外打包资源文件，Windows下用分号分隔源目录和目标目录，Linux下用冒号，我第一次打包带资源的脚本就栽在这了，拷贝到别的电脑上运行提示找不到数据文件，排查半天才发现是资源没打进去。

打包完成后的exe在dist目录里。有个经验是，exe首次启动可能会被Windows Defender提示，因为PyInstaller打包出来的程序没有数字签名，杀毒软件容易误报。个人使用时信任一下即可，正式对外分发就得考虑代码签名证书了。还有，如果脚本里用了某些动态库，打包后可能提示缺少DLL，最常见的是VC++运行库缺失，让用户装一下vcredist就行。这个实验让我意识到，Python开发是一回事，交付产品又是另一回事。

6.2 Ubuntu安装Docker并运行Python环境

部署到服务器时，Docker是我的首选方案。它能把Python环境和所有依赖打包成镜像，到任何装Docker的机器上直接运行，彻底告别“在我电脑上能跑啊”的尴尬。先简单说下Ubuntu上Docker的安装流程：

sudo apt update sudo apt install -y docker.io sudo systemctl enable docker sudo systemctl start docker docker --version

然后准备一个Dockerfile，构建Python环境：

FROM python:3.11-slim WORKDIR /app COPY requirements.txt . RUN pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ COPY . . CMD ["python", "main.py"]

构建和运行：

docker build -t my-python-app . docker run -d --name my-app -v $(pwd)/data:/app/data my-python-app docker exec -it my-app /bin/bash

-v把宿主机的data目录挂载进容器，这样容器里生成的数据文件在宿主机上也能看到，不用进入容器拷贝。docker exec -it my-app /bin/bash可以进入容器排查问题。这套流程我在一台干净的Ubuntu服务器上裸跑过，从装Docker到容器内跑通Python数据分析脚本，半小时内完成。Docker的好处用一次就懂了：换机器重来一遍的成本几乎为零。

6.3 Python常见报错速查表：实验中的高频故障与解决

做实验这段时间，我把遇到过的报错整理成一张速查表，每次卡住就来看一眼，非常实用：

表格里那个libGL报错，是我在Linux服务器上装OpenCV时碰到的经典问题。pip install opencv-python本身装好了，但import cv2时愣是报错，后来才明白OpenCV的whl包依赖一些系统级动态库。所以装cv2之前，先检查系统库齐不齐，能少走很多弯路。

6.4 高频操作的心得汇总：环境与依赖管理的小习惯

我在实验接近尾声时，整理了几条自己最受用的操作习惯。第一，创建新项目第一步永远是建虚拟环境，这已经是条件反射了。第二，pip安装库之前先确认解释器，目前使用哪个Python环境，直接用where python或者which python看一眼，避免装错环境。第三，项目依赖一定要写到requirements.txt里，随时pip freeze > requirements.txt导出。第四，代码里涉及到路径的地方，尽量用pathlib.Path而不是字符串拼接，跨平台兼容性会好很多。

此外，离线安装的场景我再补充个细节。如果你需要在一台完全不联网的机器上装Python环境，光拷贝whl是不够的，还要保证whl文件与目标机的pip版本、系统的glibc版本兼容。我的做法是先在目标机上执行python -m pip --version确认版本，本地下载依赖时也用相同版本的pip去download。这样搬过去之后，安装成功率高得多。这套流程我帮同事在几台物理隔离的机器上搭过环境，全程手把手，一次成功。