Python 开发中：`.ipynb`（Jupyter Notebook 文件）和 `.py`（Python 脚本文件）

人工干智能2025-10-17 22:20

Python 开发中：.ipynb（Jupyter Notebook 文件）和 .py（Python 脚本文件）

一、.ipynb文件中的代码单元格合并成一个.py文件

在 Python 开发中，源码常用两种文件：.ipynb（Jupyter Notebook 文件）和 .py（Python 脚本文件），通常先用.ipynb文件进行原型开发，再用 .py文件做成产品。在这两阶段之间，需要一个软件资产转换，为此，这里为你提供一个非常适用的程序ipynb2py.py：它将.ipynb文件中的代码单元格合并成一个.py文件。

python 复制代码 
# 程序名：ipynb2py.py
import json
import argparse
import os

def extract_code_from_ipynb(ipynb_path, output_path=None):
    """
    从.ipynb文件中提取代码单元格并合并为.py文件
    
    参数:
        ipynb_path (str): Jupyter Notebook文件路径
        output_path (str, optional): 输出Python文件路径，默认为原文件名加.py后缀
    """
    # 如果未指定输出路径，则使用输入文件的名称创建输出路径
    if output_path is None:
        base_name = os.path.splitext(os.path.basename(ipynb_path))[0]
        output_path = f"{base_name}.py"
    
    try:
        # 读取并解析.ipynb文件（本质是JSON格式）
        with open(ipynb_path, 'r', encoding='utf-8') as f:
            notebook_data = json.load(f)
        
        # 提取所有代码单元格
        code_cells = []
        for cell in notebook_data.get('cells', []):
            if cell.get('cell_type') == 'code':
                # 提取单元格中的代码内容
                code = ''.join(cell.get('source', []))
                code_cells.append(code)
        
        # 拼接所有代码，添加分隔注释以便区分不同单元格
        separator = "\n\n# " + "="*50 + "\n# 代码单元格分隔线\n# " + "="*50 + "\n\n"
        combined_code = separator.join(code_cells)
        
        # 写入到Python文件
        with open(output_path, 'w', encoding='utf-8') as f:
            f.write(combined_code)
        
        print(f"成功提取代码！共处理 {len(code_cells)} 个代码单元格")
        print(f"输出文件: {os.path.abspath(output_path)}")
        return True
        
    except FileNotFoundError:
        print(f"错误: 找不到文件 '{ipynb_path}'")
    except json.JSONDecodeError:
        print(f"错误: 文件 '{ipynb_path}' 不是有效的JSON格式，可能不是ipynb文件")
    except Exception as e:
        print(f"处理过程中发生错误: {str(e)}")
    
    return False

if __name__ == "__main__":
    # 设置命令行参数解析
    parser = argparse.ArgumentParser(description='提取Jupyter Notebook中的代码并保存为Python文件')
    parser.add_argument('input_file', help='输入的.ipynb文件路径')
    parser.add_argument('-o', '--output', help='输出的.py文件路径（可选）')
    
    args = parser.parse_args()
    
    # 执行提取操作
    extract_code_from_ipynb(args.input_file, args.output)

这个程序的主要功能和特点：

  1. 工作原理：

    • Jupyter Notebook文件本质上是JSON格式，程序会解析这个JSON
    • 筛选出类型为"code"的单元格
    • 提取这些单元格中的代码内容并进行合并
    • 将合并后的代码写入到指定的Python文件

  2. 使用方法：

    • 基本用法：python ipynb2py.py your_notebook.ipynb
    • 指定输出文件：python ipynb2py.py your_notebook.ipynb -o output.py

  3. 额外功能：

    • 在不同代码单元格之间添加了分隔线注释，方便区分原始的代码块
    • 包含错误处理，如文件不存在、JSON格式错误等情况
    • 自动处理编码问题，确保中文等特殊字符正常显示

运行程序后，你会得到一个包含Notebook中所有代码的Python文件，方便进行代码复用或版本控制。

二、二者的区别与选用

在 Python 开发中，.ipynb（Jupyter Notebook 文件）和 .py（Python 脚本文件）是两种常用的文件格式，它们的设计目标、使用场景和特性有显著区别，选择哪种格式取决于具体需求。

1、区别

维度 .ipynb（Jupyter Notebook） .py（Python 脚本）
文件格式 本质是 JSON 格式文件，包含代码、文本、图片等多种内容 纯文本文件，仅包含 Python 代码和注释
结构 由「单元格（Cell）」组成，可包含代码、Markdown 文本、公式等 线性结构，代码按顺序从上到下执行
交互性 支持「分步执行」（每个单元格可单独运行），实时查看结果 必须「整体执行」，需通过 print 或日志查看输出
可视化 内置支持图片、图表、HTML 等富文本展示（如 Matplotlib 图表直接嵌入） 需将可视化结果保存为文件，或通过终端/IDE 间接查看
版本控制 因包含大量格式信息（如单元格元数据），Git 等工具难以高效对比差异 纯代码文本，版本控制（如 Git）友好，易对比修改记录
执行环境 依赖 Jupyter 环境（Notebook/Lab）运行 可通过 Python 解释器直接运行（python filename.py）

2、适用场景

优先选 .ipynb 的场景

  1. 数据分析与可视化

    例如用 Pandas 处理数据、Matplotlib/Seaborn 绘图时，.ipynb 可分步执行代码，实时查看中间结果（如表格、图表），并通过 Markdown 记录分析思路，形成「可执行的报告」。

  2. 机器学习/深度学习实验

    训练模型时，可分步运行数据预处理、模型定义、训练、评估等代码，方便调试中间过程（如查看数据分布、调整参数后重新运行某一步）。

  3. 教学与演示

    适合编写教程或课件：用 Markdown 单元格写说明文字，代码单元格实时运行展示效果，还可插入公式（LaTeX）、图片，让内容更易懂。

  4. 快速原型验证

    验证一个想法时（如测试一段算法逻辑），.ipynb 支持快速修改并运行单个单元格，无需重新执行整个脚本，效率更高。

优先选 .py 的场景

  1. 开发可复用的程序/工具

    例如编写一个命令行工具、Web 应用（如 Flask/Django 项目）或自动化脚本（如定时任务），.py 的线性结构更适合组织逻辑，且可直接通过 Python 解释器执行。

  2. 编写模块/库

    当代码需要被其他程序导入（如 import mymodule）时，必须用 .py 格式，因为 .ipynb 无法被 Python 解释器识别为模块。

  3. 大型项目与团队协作

    大型项目代码量多、逻辑复杂，.py 的结构化组织（如函数、类、包）更便于维护，且版本控制工具（如 Git）能清晰追踪代码修改，而 .ipynb 的元数据会干扰差异对比。

  4. 需要自动化执行的场景

    例如通过脚本定时运行任务（如爬虫、数据备份），.py 可直接通过命令行调用（python script.py），或集成到调度工具（如 Crontab）中，而 .ipynb 需要额外工具（如 nbconvert）转换后才能执行。

3、总结

  • .ipynb 是「交互式笔记本」，擅长分步执行、可视化展示、记录思路，适合数据分析、实验、教学等场景。
  • .py 是「纯代码脚本」，擅长结构化编程、模块复用、自动化执行，适合开发程序、库、大型项目等场景。

实际开发中，两者也可配合使用：例如用 .ipynb 做实验和分析，再将成熟的逻辑整理到 .py 文件中作为正式代码。

三、各自的常用编程工具

.ipynb（Jupyter Notebook）和 .py（Python 脚本）因使用场景不同，常用的工具也各有侧重，以下是两者最常用的工具及特点：

1、.ipynb（Jupyter Notebook）常用工具

.ipynb 文件的核心是「交互式运行」和「富文本展示」，因此工具多围绕这两个特点设计，且大多支持 Jupyter 内核（可运行代码单元格并展示结果）。

  1. Jupyter Notebook（官方基础工具）

    • 最经典的 .ipynb 编辑工具，基于浏览器运行，界面简洁，支持代码单元格、Markdown 单元格分离，可实时运行代码并展示结果（如表格、图表）。
    • 适合：本地快速启动，轻量数据分析、教学演示。
    • 启动方式：命令行输入 jupyter notebook。

  2. JupyterLab（官方增强版）

    • Jupyter Notebook 的升级版，提供更强大的集成环境：支持多标签页、文件浏览器、终端、代码补全、实时协作等，界面更接近传统 IDE。
    • 适合：复杂数据分析、多文件协同处理（如同时编辑 .ipynb 和 .py）。
    • 启动方式：命令行输入 jupyter lab。

  3. Google Colab（在线免费工具）

    • 谷歌提供的在线 Jupyter 环境，无需本地安装，直接在浏览器中编辑 .ipynb，支持免费 GPU/TPU 加速（适合机器学习训练）。
    • 优势：自带常用库（如 Pandas、TensorFlow），可直接关联 Google Drive 保存文件，方便分享和协作。
    • 适合：快速实验、机器学习训练、跨设备访问。

  4. VS Code（集成 Jupyter 功能）

    • 主流代码编辑器，通过内置的「Jupyter 扩展」支持 .ipynb 编辑：可运行代码单元格、展示图表、支持 Markdown 渲染，同时保留 VS Code 的代码补全、调试等功能。
    • 适合：习惯 VS Code 界面，需要同时处理 .ipynb 和 .py 文件的场景。

  5. PyCharm（专业版）

    • 强大的 Python IDE，专业版原生支持 .ipynb 编辑：可运行单元格、查看结果，且集成了 PyCharm 的调试、重构等高级功能。
    • 适合：在大型项目中同时管理 .ipynb（实验代码）和 .py（正式代码）的开发者。

  6. Kaggle Notebook（数据科学竞赛工具）

    • 专注于数据科学的在线平台，基于 Jupyter 环境，内置大量数据集和竞赛资源，支持 GPU 加速，方便分享代码和结果。
    • 适合：数据科学竞赛、公开数据集分析。

2、.py（Python 脚本）常用工具

.py 文件的核心是「结构化编程」和「批量执行」，工具更侧重代码编辑效率、项目管理、调试和自动化运行。

  1. VS Code（主流选择）

    • 轻量且功能强大的编辑器，通过「Python 扩展」提供：代码补全、语法高亮、调试（断点、变量监视）、单元测试、虚拟环境管理等功能，支持直接在终端运行 .py 脚本。
    • 优势：插件丰富（如 Git 集成、代码格式化），跨平台（Windows/macOS/Linux），适合个人开发者和中小型项目。

  2. PyCharm（专业版/社区版）

    • 专为 Python 设计的 IDE，功能全面：
      • 社区版（免费）：支持基础编辑、调试、Git 集成，满足日常脚本开发；
      • 专业版（付费）：增加 Web 开发（Django/Flask）、数据库集成、远程开发等高级功能，适合大型项目。
    • 适合：团队协作、复杂项目（如 Web 应用、Python 库开发）。

  3. Sublime Text（轻量编辑器）

    • 启动速度快，通过「Anaconda」等插件支持 Python 代码补全、语法检查，适合编写简单 .py 脚本或临时调试代码。
    • 适合：追求轻量化、快速编辑的场景。

  4. 终端/命令行工具

    • 无需图形界面，直接通过 python script.py 或 python3 script.py 运行 .py 脚本，是自动化执行（如定时任务、服务器脚本）的基础工具。
    • 常用终端：Windows 的 PowerShell、macOS/Linux 的 Terminal，配合 nohup（后台运行）、crontab（定时任务）等命令使用。

  5. Spyder（科学计算友好）

    • 专为数据科学设计的 IDE，界面类似 MATLAB，集成了 IPython 控制台、变量浏览器，支持 .py 脚本的编辑和运行，适合需要结合数值计算的场景。

  6. Vim/Neovim（命令行编辑器）

    • 纯键盘操作的编辑器，通过 python-mode 等插件支持 Python 语法高亮、代码补全，适合习惯命令行操作或远程服务器开发的用户。

最最最常用的：

  • .ipynb 工具围绕「交互式运行+富文本」，核心是 Jupyter 系列（Notebook/Lab）VS Code（需集成 Jupyter）；
  • .py 工具围绕「结构化编程+批量执行」，核心是 VS Code、PyCharm。

实际使用中，VS Code 和 PyCharm 是「通吃型」工具，既能处理 .ipynb 也能高效编辑 .py，适合大多数场景。

相关推荐
朱嘉鼎18 小时前
C语言之可变参函数
c语言·开发语言
yanxing.D18 小时前
OpenCV轻松入门_面向python（第六章 阈值处理）
人工智能·python·opencv·计算机视觉
JJJJ_iii19 小时前
【机器学习01】监督学习、无监督学习、线性回归、代价函数
人工智能·笔记·python·学习·机器学习·jupyter·线性回归
北冥湖畔的燕雀21 小时前
C++泛型编程（函数模板以及类模板）
开发语言·c++
Python图像识别1 天前
71_基于深度学习的布料瑕疵检测识别系统（yolo11、yolov8、yolov5+UI界面+Python项目源码+模型+标注好的数据集）
python·深度学习·yolo
QX_hao1 天前
【Go】--map和struct数据类型
开发语言·后端·golang
你好，我叫C小白1 天前
C语言 循环结构（1）
c语言·开发语言·算法·while·do...while
千码君20161 天前
React Native：从react的解构看编程众多语言中的解构
java·javascript·python·react native·react.js·解包·解构
淮北4941 天前
windows安装minicoda
windows·python·conda
Evand J1 天前
【MATLAB例程】基于USBL和DVL的线性回归误差补偿，对USBL和DVL导航数据进行相互补偿，提高定位精度，附代码下载链接
开发语言·matlab·线性回归·水下定位·usbl·dvl
热门推荐
01BongoCat - 跨平台键盘猫动画工具02GitHub 镜像站点03UV安装并设置国内源04Linux下V2Ray安装配置指南05两千字总结：Codex 国内如何安装和使用的教程，以及如何设置中文回答06KGG转MP3工具|非KGM文件|解密音频07荣耀手机2025年10月发布的新品Magic8比起Magic7，在硬件、性能、价格等上有什么区别，有什么优势08windows找不到gpedit.msc（本地组策略编辑器）09GitLab 零基础入门指南：从安装到项目管理全流程10NVIDIA显卡驱动、CUDA、cuDNN 和 TensorRT 版本匹配指南