企业官网建设流程全解析

1. 为什么Python入门套装首选Anaconda加Jupyter Notebook

很多零基础的朋友第一次接触Python，大概率会卡在同一个地方：打开Python官网下载了安装包，装完发现是个黑乎乎的交互窗口，输个print("hello")能出结果，但稍微写几行代码就觉得别扭，想保存成文件又不知道怎么弄，更别提装第三方库了——打开网页看到pip install xxx，在命令行里一试全是红色报错。

于是不少人第一节课还没上完就放弃了，不是Python难，而是环境没搭好。

Anaconda加Jupyter Notebook这套组合，就是专门解决这个痛点的。Anaconda是一个Python发行版，官方说法是“面向数据科学的发行版”，说人话就是：它把Python解释器、常用的科学计算库（NumPy、Pandas、Matplotlib这些）以及包管理工具conda打包在一起，一次装完，省去新手逐个配置的麻烦。Jupyter Notebook则是跑在浏览器里的交互式编程环境，你可以在网页上写代码、立刻看到结果，还能写笔记、做图表，非常适合入门学习和做数据分析实验。

这篇内容就是完整走一遍安装和使用流程，包括我在实际安装中遇到的坑——比如某些选项勾不勾，直接影响后面能不能省心。适合完全零基础的人，也适合之前自己装过Python但总觉得环境乱糟糟、想推倒重来的朋友。

顺带说一句，网上搜“Anaconda安装”出来的教程非常多，但很多停留在“下一步下一步”的层面，没讲清楚每个选项是什么意思，出了问题也不知道怎么排查。这篇文章不光是步骤，还会把背后的逻辑讲明白——理解这些逻辑，比照抄命令重要得多。

2. Anaconda下载与安装：建议直接选国内镜像，省得折腾

2.1 下载之前先想清楚：装哪个版本

Anaconda的下载页面提供两个大版本，一个是最新版的Python 3.x安装包，另一个是旧版的Python 2.x（现在已经停止维护了，除非你有特殊需求，不要碰）。在Python 3的安装包里面，还会根据操作系统区分Windows、macOS、Linux。

不过这里有个容易忽略的点：2020年之后，Anaconda官方调整了镜像策略，直接从官网下载速度很不稳定，经常看到进度条卡在3%然后整个下载失败。所以我的建议是，不要死磕官网，直接用国内高校的镜像站下载。

清华大学的TUNA开源软件镜像站是很多人用的，地址是 mirrors.tuna.tsinghua.edu.cn，我记不清具体URL的时候一般直接搜“清华镜像 anaconda”。打开之后找到Anaconda的安装包目录，选对应系统的版本下载。

提示：下载安装包时注意看文件名里的版本号，一般来说选择最新稳定版就行，不必追求个别教程里的旧版本。新版对新手反而更友好，界面和默认配置都更完善。

2.2 Windows安装过程中的关键选项

下载完会得到一个exe文件，双击运行。网上很多教程说“一路Next就行”，这话对也不对——确实大部分步骤直接Next没问题，但有几步需要认真处理。

先看第一步：Install for Just Me 还是 All Users。我推荐选Just Me，也就是当前用户安装。选All Users需要管理员权限，安装时写入C盘系统目录，后续权限出问题会多一点。当然如果你电脑只有一个用户，这俩差别不大。

然后是安装路径。默认路径是C盘下的C:\Users\你的用户名\anaconda3，路径里没有中文和空格，这是最好的状态。如果你非要换到D盘，也务必保证路径全英文字符，不要出现D:\软件\Anaconda这种——后面创建虚拟环境、装包的时候，路径里的中文经常莫名其妙引发编码错误，排查起来很耽误时间。

最关键的一步是 Advanced Installation Options 页面，里面有两个复选框：

• Add Anaconda3 to my PATH environment variable（推荐不勾选）
• Register Anaconda3 as my default Python 3.9（推荐勾选）

网上对这两项的争议很大，我个人的建议是：PATH那一项不勾，默认Python那一项勾上。

为什么PATH不勾？勾选了这个选项，Anaconda会把自己的路径写进系统环境变量，好处是任何新打开的命令行窗口里都能直接敲conda、jupyter这些命令，省事。但坏处是，如果电脑上之前装过其他Python，或者后续你还要装CH340驱动这类会改动PATH的软件，Anaconda的Python会被当成默认Python参与各种系统脚本，引起版本冲突。处理环境变量的问题很磨人，初学者可能因此劝退。

不勾选PATH的话，日常使用通过Anaconda自带的“Anaconda Prompt”进入命令行再输入jupyter notebook，同样能正常启动。这是我实操下来最稳妥的组合。

2.3 安装完成后的验证

安装结束后，开始菜单里会出现Anaconda文件夹，里面的几个程序也不需要全弄明白，用得最多的是Anaconda Prompt和Jupyter Notebook，后面会说到。

先打开Anaconda Prompt——注意不是普通的cmd，然后在命令行输入：

conda --version

如果返回类似conda 24.x.x的输出，说明conda装好了。再输入：

python --version

能看到Python的版本号就正常。如果提示“python不是内部或外部命令”，别慌，多半是PATH没配置，直接用Anaconda Prompt执行就行，Anaconda Prompt会自动加载Anaconda的环境路径。

提示：验证环节不要跳过。很多人装完直接点Jupyter Notebook，打不开才回来排查，绕了一个大圈子。

2.4 macOS和Linux用户的注意事项

macOS用户下载的是pkg安装包，安装过程比Windows还简单，基本就是一路继续。但有个细节：macOS X版本较新（比如M1芯片）的话，下载页面会自动推荐适配Apple Silicon的安装包，别下错了。Intel芯片的Mac就选x86_64版本。

Linux用户一般用命令行安装，下载的是一个.sh脚本，执行：

bash Anaconda3-XXXX-Linux-x86_64.sh

过程中会问是否更新bashrc，选yes。装完之后记得关掉终端重新打开，或者执行source ~/.bashrc，否则conda命令同样找不到。

3. conda到底是什么：环境、包、路径这三个概念一定要搞清

3.1 环境隔离的意义

很多初学者把Anaconda看作一个“大号Python安装包”，这没毛病，但他们往往忽略了conda最强大的能力——环境管理。

举个例子：你正在用Python 3.11做Web开发，Django版本是4.x。过几天你跟着教程学数据分析，教程要求Python 3.9和某个特定版本的TensorFlow。如果只有一个全局环境，你要么升级这个降级那个，要么忍受一堆依赖冲突，折腾半天最后心灰意冷。

conda的虚拟环境就是为这个场景设计的。每个环境是一个独立的Python沙盒，有自己的解释器版本和第三方库集合，互不干扰。在不同项目之间切换到不同环境，就像在家穿拖鞋上班穿皮鞋一样自然。

命令也很简单，几个核心命令：

# 创建环境，指定Python版本 conda create -n myenv python=3.9 # 激活环境（Windows/Linux/macOS通用） conda activate myenv # 查看当前所有环境 conda env list # 退出当前环境 conda deactivate # 删除环境 conda remove -n myenv --all

新手通常只用base环境就够了，但养成“为项目创建独立环境”的习惯，后期会感激现在的自己。我就是早期入坑时没这个概念，所有包一股脑往base里装，最后base环境扩容到几十个G，随便装个新库都可能跟旧库冲突，只能整个卸载重装。这种痛，踩过一次就会改。

3.2 conda和pip的分工

稍微进阶一点就到了conda和pip的对比。conda不仅是包管理器，还能管理Python版本和底层依赖库（比如带C库的包），而pip是Python生态里的通用包管理工具，几乎什么包都能装。

听起来两者功能重叠，实际用起来，我的习惯是：

• 优先用conda install装包，因为conda会检查依赖兼容性，自动解决版本冲突
• conda没有的包（比如PyPI上独有或者刚发布的新库），再用pip install

一个常见的坑在混用上。如果同一个环境里，有些包是conda装的，有些是pip装的，将来出了问题排查起来会比较头疼。尽量一个环境内固定一种方式，或者至少按项目划分清楚，不然特容易遇见“版本够了却报导入错误”的灵异事件。

另外，pip install装包时，如果你当前激活了虚拟环境，它默认装进这个环境；如果没激活虚拟环境，它会装到base环境。好多人搞不清楚自己装哪儿了，就是因为这个细节。

3.3 Anaconda、conda、Python三者的关系

再理顺一层：Anaconda是发行套件，conda是Anaconda默认自带的包/环境管理工具，Python是conda管理的一种解释器。换句话说，Anaconda打包了conda和一套Python，而conda又有能力创建不同版本的Python环境。

明确这个关系后，后续看到“conda更换国内源”“conda配置环境变量”等操作就不会发怵了。

4. 启动Jupyter Notebook后的第一次实操：单元格就是你的草稿纸

4.1 两种启动方式，推荐先从菜单点

Windows用户最简单的方式，是直接在开始菜单的Anaconda文件夹里点击“Jupyter Notebook”图标。它会先弹出命令行窗口，自动启动本地服务，然后在默认浏览器里打开 http://localhost:8888 的界面。

还有一种方式是在Anaconda Prompt里手动输入：

jupyter notebook

这两种方式本质没有区别，但手动方式能让你看清服务日志——比如端口被占用、内核启动失败这些报错都会显示在命令行窗口里，方便排查。从图标启动时命令行一闪而过，反而看不到关键信息。

所以我建议：第一次用，老老实实打开Anaconda Prompt，输入jupyter notebook回车，看着它启动。命令行窗口不要关，关了浏览器里的Notebook也会断开。

4.2 认识浏览器里的文件管理界面

Jupyter启动后进入的是文件管理页面（File Browser），类似于Windows的资源管理器，默认显示的是你当前用户目录。右上角有一个“New”按钮，点击下拉菜单，选择“Python 3 (ipykernel)”，就会新建并进入一个Notebook。

Notebook的后缀是.ipynb，用JSON格式存储，里面包含代码、输出结果、Markdown笔记等多种内容。它不是传统意义上的脚本文件，更像一张“交互式实验记录纸”。

4.3 单元格机制是核心

进入Notebook页面，你会看到一个白色输入框，这就是一个单元格（Cell）。Jupyter的一切操作都围绕单元格展开：你可以写代码，也可以写Markdown内容，通过快捷键切换类型。

单元格顶部工具栏中间有一个下拉框，默认是“Code”。把它切换成“Markdown”，输入几个井号：

# 这是我的第一个Notebook

然后按Shift + Enter，单元格会渲染成标题格式，同时自动创建一个新单元格。这个操作背后的机制是：Shift加Enter表示“执行当前单元格并跳转到下一个”，这是Notebook最核心的使用逻辑。

对于代码单元格也一样：在一个单元格里敲print("hello jupyter")，按Shift+Enter，单元格下方立即显示输出结果。这种即写即所得的方式，特别适合学习阶段不断试错——写一行、执行一行、观察结果，随时调整。

常用的单元格操作我整理了一下：

单元格执行时左侧 In 后面的数字会加1，比如第一个单元格执行完显示In [1]，第二个显示In [2]。输出结果则显示在单元格下方，Out[n]对应你的执行序号。这个编号机制非常直观，也是Notebook区别于普通IDE交互方式的核心。

4.4 写一个能跑通的入门示例

光说不练等于零。新建Notebook后，在第一个单元格里输入：

import numpy as np import matplotlib.pyplot as plt x = np.linspace(0, 2 * np.pi, 100) y = np.sin(x) plt.plot(x, y) plt.title("sin curve") plt.show()

按Shift+Enter执行。Anaconda预装的项目到这一步基础环境已经不需要再装库，直接就应该看到一个正弦曲线图出现在单元格下方。如果你用了Anaconda自带的全套环境中（注意版本可能稍旧），这仍然是本命令。

看到图的那一刻，很多人会自己“哇”一声——不需要配置任何环境，几行代码直接出图，这就是Anaconda＋Jupyter对新手最大的价值：把从“写代码”到“看到可视化结果”的链路缩到最短。

4.5 保存与分享：ipynb文件怎么管

Notebook会自动保存，默认间隔是120秒，也可以手动Ctrl+S。保存的文件在你启动Jupyter时所在的目录下，文件名在页面上方显示，点击即可重命名。

保存后的ipynb文件，可以直接用Jupyter重新打开，别人也可以双击打开（前提是装了Jupyter）。如果你想分享给朋友看，对方没装环境的话，可以“File — Download as — HTML”导出成网页，方便阅读但不方便执行。更常用的是导出成py文件，拿走当普通脚本用。

5. 新手最常碰到的几个问题排查：从单元格没反应到dll加载失败

5.1 单元格执行没有任何反应，先查内核状态

热搜词里有一条“jupyter notebook单元格执行代码没有任何反应”，这是出现概率最高的问题。症状很明显：光标停在代码块里，按Shift+Enter，右侧In后面的星号一直转或者干脆空白，就是不输出结果。

绝大多数情况是内核（Kernel）断开或卡死了。Notebook执行代码时，实际上是浏览器把代码发给本地的IPython内核进程去跑，内核崩溃或连接断了，代码就没有任何反馈。

排查链路我建议按这个顺序走：

1. 看菜单栏的“Kernel”选项，如果显示“Reconnect”或者图标是灰色，说明内核掉线了，点击Kernel—Restart Kernel重启内核。
2. 重启内核后再次执行，如果还是没反应，大概率是代码本身进入了死循环或极端耗时。比如while True: pass这种，内核在拼命算，但界面没反馈。这时候用工具栏的“Stop”按钮（方框图标）中断执行。
3. 还不行，看看启动Jupyter的那个命令行窗口，里面有没有红色的报错堆栈。常见的报错比如端口被占用，会直接显示在那里。

提示：死循环这种事，新手在同时学循环语句时最容易触雷，我也没能幸免。遇到单元格卡住先想到Stop按钮，而不是暴力关浏览器——直接关浏览器的话内核进程还是残留的，下次启动Jupyter可能提示端口8888占用。

5.2 Importerror: dll load failed while importing rpds

这条报错在热搜里出现得很具体：“运行jupyter notebook出现importerror: dll load failed while importing rpds”，这也是一个很典型的依赖库损坏问题，经常出现在conda和pip混用、或者环境升级之后。

rpds 是referencing库的一个底层依赖，而referencing又被 jsonschema 依赖，jsonschema 被 Jupyter 相关组件使用。链条很长，但问题本质就一句话：某个底层库的DLL文件缺失或版本不匹配，导入时Windows加载不了。

我的处理办法是：

# 重新安装rpds这个包 pip uninstall rpds-py pip install rpds-py

或者用conda重新装一遍依赖：

conda install rpds-py --force-reinstall

装完重启Jupyter，一般就好了。如果重装之后还有类似dll load failed的报错，但包名不同，那就按同样的思路处理对应包名即可。归根结底，这类问题多半不是你的代码问题，而是环境配置被弄乱了。

5.3 浏览器打开Jupyter显示404或者空白

启动Jupyter后浏览器自动打开，结果显示404 Not Found，或者连接被拒绝。很多人以为Jupyter坏了，其实通常是浏览器指定的地址不对。

Jupyter启动时命令行窗口会打印一行，类似：

http://localhost:8888/tree?token=xxxxxxxx

里面的token是登录凭证，浏览器有时会丢失这个token导致访问被拒绝。遇到这种情况，复制命令行里显示的完整URL，粘贴到浏览器地址栏手动访问。

还有一种情况是端口被占用，Jupyter自动切到了8889端口，但浏览器访问的还是8888。此时看命令行窗口，它会明确提示Jupyter Notebook is running at: http://localhost:8889/...，跟着提示走就行。

5.4 想要修改Notebook默认打开目录

经常有人问：每次打开Jupyter都停在我的用户目录，能不能固定到我放代码的文件夹？

可以，但需要在启动配置文件里修改。打开Anaconda Prompt，执行：

jupyter notebook --generate-config

这条命令会在你用户目录下的.jupyter文件夹生成一个jupyter_notebook_config.py配置文件，用文本编辑器打开，找到这一行：

# c.NotebookApp.notebook_dir = ''

把注释符号去掉，把单引号里填上你的目标路径，比如：

c.NotebookApp.notebook_dir = 'D:/MyCode/PythonProjects'

注意这里路径分隔符要用正斜杠/或者双反斜杠\\，Windows默认的反斜杠单写会触发转义问题。修改保存后重启Jupyter，默认目录就变了。

5.5 装了新包却在Notebook里import不到

这种问题也很普遍：在Anaconda Prompt里pip install requests成功，然后去Jupyter里import requests却说ModuleNotFoundError。

原因几乎总是“装包的环境”和“Jupyter使用的环境”不是同一个。如果你没有激活虚拟环境就在base里pip install，而Jupyter的内核启动时却指向了一个conda环境，或者Jupyter是在普通cmd里启动的，二者不是同一个Python解释器，自然找不到这个包。

排查办法在Notebook里执行：

import sys print(sys.executable)

这会输出Jupyter当前使用的Python解释器路径。再用命令看你的包装到了哪个Python路径下，两相对比就知道谁不对了。最常见的解决方案是保证从Anaconda Prompt启动Jupyter，并确认激活了正确的环境后再装包。

6. 从Notebook走向完整项目：几个习惯和进阶思路

6.1 养成环境隔离和依赖记录的习惯

Anaconda加Jupyter这套环境好上手，但长期用下去，如果不注意管理，新坑会不断冒出来。我强烈建议从第一天就养两个习惯：

第一，按项目创建虚拟环境，哪怕现在只是练手。练手项目通常装依赖很随意，过两个月翻出来看，已经想不起当初是怎么跑通的了。有虚拟环境以后，在这个项目里怎么装包都没关系，环境坏了重建一个也就几分钟的事。

第二，项目里保存一个requirements.txt。生成方式很简单：

pip freeze > requirements.txt

以后换电脑或者别人想复现你的环境，执行pip install -r requirements.txt就能装回相同依赖。如果项目主用conda，还可以导出完整环境描述文件：

conda env export > environment.yml

6.2 Notebook不是脚本替代品，学会分工

Jupyter Notebook适合探索、实验、展示，但它不适合写正式的可复用代码模块。写了三个月Notebook之后，你会发现代码一多，单元格之间跳来跳去非常乱，这时候就该把逻辑封装成.py文件，用函数和类组织，Notebook只负责调用和展示结果。

常见的结构是：项目里建一个src文件夹放.py模块，Notebook放在顶层当实验记录和报告展示用。Notebook里通过from src.my_module import my_function调用自己写的函数，两边互不干扰。

6.3 扩展插件：让你的Notebook更好用

Jupyter有一个官方扩展系统，最常用的是jupyter_contrib_nbextensions，装上之后可以提供表格格式化、代码折叠、自动补全等功能，体验向IDE靠拢不少。安装方式：

pip install jupyter_contrib_nbextensions jupyter contrib nbextension install --user

装完后在Jupyter首页会出现Nbextensions标签页，自己勾选需要的扩展。也有一些人在编辑器中配置nvim相关环境来获得更好的输入体验，这是一个典型的进一步优化方向。入门阶段不建议一上来就折腾这些，先把核心流程跑顺，扩展是锦上添花的事。

6.4 数据科学之外，这套环境还能做什么

很多人以为Anaconda和Jupyter只能跑数据分析或机器学习，其实不是。日常写爬虫、处理Excel表格、做自动化和办公脚本，Jupyter的交互方式都很好用。尤其是在处理Excel时，数据的中间计算过程每一步都看得见摸得着，比在IDE里反复print方便得多。

我自己经常用Jupyter处理一些每周重复的报表任务——读取数据、清洗、分组统计、出图，最后再把结论写成一个Markdown笔记存档。一条龙下来，过程可回溯，结果可展示，每次复盘只需要重新打开文件跑一遍就行。

说到最后，我个人在带新人入坑Python这件事上最深的体会是：工具链的选择会影响前期学习的动力曲线。Anaconda加Jupyter Notebook的即时反馈机制，能让你在半小时内写出第一个出图程序，这种正反馈对新手极其宝贵。先把环境问题解决妥当，再把每一步操作理解到位，Python这条路的起点就算扎实了。