用PyInstaller构建动态脚本执行器：嵌入式Python解释器与模块打包-简明教程

技术场景：

需分发的Python工具要求终端用户可动态修改执行逻辑将Python环境与指定库（如NumPy/Pandas）嵌入可执行文件实现"一次打包，动态扩展"的轻量化解决方案。

▌ 架构设计原理 1. 双模运行时识别 # 核心判断逻辑（适配开发模式与编译模式） def get_runtime_path(): if getattr(sys, 'frozen', False): return os.path.dirname(sys.executable) # 编译模式取执行文件路径 return os.path.dirname(__file__) # 开发模式取脚本路径

设计优势：

开发阶段与发布版本使用同一套代码避免硬编码路径引发的跨平台兼容问题 2. 动态脚本加载机制 def load_script(script_name): target_path = os.path.join(get_runtime_path(), script_name) if os.path.exists(target_path): with open(target_path, 'r', encoding='utf-8') as f: exec(f.read(), globals()) # 在全局命名空间执行脚本 3. 架构图

▌ 基础功能实现 1. 编写main.py和Run.py文件(名称随意)

main.py

import os import sys # === 预先导入之后可能会用到的模块 === import numpy import pandas # 核心判断逻辑（适配开发模式与编译模式） def get_runtime_path(): if getattr(sys, 'frozen', False): return os.path.dirname(sys.executable) # 编译模式取执行文件路径 return os.path.dirname(__file__) # 开发模式取脚本路径 # 这里一定要定义一个main函数 def main(): # 导入一个可以被修改的脚本代码“Run.py”，后续可以通过它指定要被运行的脚本 current_path = get_runtime_path() ScriptPath = os.path.join(current_path, "Run.py") if os.path.isfile(ScriptPath): with open(ScriptPath, 'r', encoding='utf-8') as file: exec(file.read(),globals()) # 程序入口 if __name__ == "__main__": main()

Run.py

import os import sys # 核心判断逻辑（适配开发模式与编译模式） def get_runtime_path(): if getattr(sys, 'frozen', False): return os.path.dirname(sys.executable) # 编译模式取执行文件路径 return os.path.dirname(__file__) # 开发模式取脚本路径 def load_script(script_name): target_path = os.path.join(get_runtime_path(), script_name) if os.path.exists(target_path): with open(target_path, 'r', encoding='utf-8') as f: exec(f.read(), globals()) # 在全局命名空间执行脚本 # def main(): script_name = "example_1.py" load_script(script_name) script_name = "example_2.py" load_script(script_name) # if __name__ == "__main__": # main()

由于实际运行时上方代码Run.py由main.exe调用，将直接和main.exe共用全局命名空间中的os和sys库，因此

2. 编译 main.py ： pyinstaller --onedir main.py

若没有安装pyinstaller，请先使用pip安装：

pip install pyinstaller

编译完的文件如下：

your_project_folder/ │ ├──── build/ → 没有用，可以删除 ├──── dist/ → 打包后的程序文件夹 │ └─── main/ │ ├─── _internal/ → 需要用到的库文件会被放在这里 │ └─── main.exe → 打包后的可执行程序 │ └──── main.spec → 打包配置文件，可以修改它来定制打包过程 _internal/ 和 main.exe → 可以一起拿出来放在其它位置（需放在同一路径下）

---

3. 测试运行效果 运行 main.exe ：

test_main.bat

.\main.exe pause

运行 test_main.bat 文件，查看效果：

D:\test>.\main.exe This script is running as a compiled executable. This script is running as a compiled executable. 一维数组: [1 2 3 4 5] 一维数组加10: [11 12 13 14 15] 一维数组乘2: [ 2 4 6 8 10] 二维数组: [[1 2] [3 4]] 矩阵乘法结果: [[ 7 10] [15 22]] 原始DataFrame: Name Age City 0 Alice 24 New York 1 Bob 27 Los Angeles 2 Charlie 22 Chicago 3 David 32 Houston 年龄大于25的行: Name Age City 1 Bob 27 Los Angeles 3 David 32 Houston 按年龄升序排序后的DataFrame: Name Age City 2 Charlie 22 Chicago 0 Alice 24 New York 1 Bob 27 Los Angeles 3 David 32 Houston 描述性统计量: Age count 4.000000 mean 26.250000 std 4.349329 min 22.000000 25% 23.500000 50% 25.500000 75% 28.250000 max 32.000000 D:\test>pause 请按任意键继续. . .

---

▌ 例程（附）

example_1.py

import numpy as np # 创建一个一维数组 arr1 = np.array([1, 2, 3, 4, 5]) # 创建一个二维数组（矩阵） arr2 = np.array([[1, 2], [3, 4]]) # 数组加法 arr_sum = arr1 + 10 # 数组乘法（元素级） arr_prod = arr1 * 2 # 矩阵乘法 mat_prod = np.dot(arr2, arr2) # 打印结果 print("一维数组:") print(arr1) print("一维数组加10:") print(arr_sum) print("一维数组乘2:") print(arr_prod) print("二维数组:") print(arr2) print("矩阵乘法结果:") print(mat_prod)

运行结果：（example_1.py）

一维数组: [1 2 3 4 5] 一维数组加10: [11 12 13 14 15] 一维数组乘2: [ 2 4 6 8 10] 二维数组: [[1 2] [3 4]] 矩阵乘法结果: [[ 7 10] [15 22]]

example_2.py

import pandas as pd # 创建一个简单的DataFrame data = { 'Name': ['Alice', 'Bob', 'Charlie', 'David'], 'Age': [24, 27, 22, 32], 'City': ['New York', 'Los Angeles', 'Chicago', 'Houston'] } df = pd.DataFrame(data) # 显示DataFrame print("原始DataFrame:") print(df) # 数据筛选：选择年龄大于25的行 filtered_df = df[df['Age'] > 25] print("\n年龄大于25的行:") print(filtered_df) # 数据排序：按年龄升序排序 sorted_df = df.sort_values(by='Age') print("\n按年龄升序排序后的DataFrame:") print(sorted_df) # 计算描述性统计量 stats = df.describe() print("\n描述性统计量:") print(stats)

运行结果：（example_2.py）

原始DataFrame: Name Age City 0 Alice 24 New York 1 Bob 27 Los Angeles 2 Charlie 22 Chicago 3 David 32 Houston 年龄大于25的行: Name Age City 1 Bob 27 Los Angeles 3 David 32 Houston 按年龄升序排序后的DataFrame: Name Age City 2 Charlie 22 Chicago 0 Alice 24 New York 1 Bob 27 Los Angeles 3 David 32 Houston 描述性统计量: Age count 4.000000 mean 26.250000 std 4.349329 min 22.000000 25% 23.500000 50% 25.500000 75% 28.250000 max 32.000000