zoukankan      html  css  js  c++  java
  • 21.pyinstaller相关参数

    pyinstaller相关参数

                     命令                                                          描述
     -F, –onefile  打包一个单个文件,如果你的代码都写在一个.py文件的话,可以用这个,如果是多个.py文件就别用
     -D, –onedir       打包多个文件,在dist中生成很多依赖文件,适合以框架形式编写工具代码,我个人比较推荐这样,代码易于维护
     -K, –tk  在部署时包含 TCL/TK
     -a, –ascii  不包含编码.在支持Unicode的python版本上默认包含所有的编码.
     -d, –debug  产生debug版本的可执行文件
     -w,–windowed,–noconsole    使用Windows子系统执行.当程序启动的时候不会打开命令行(只对Windows有效)
     -c,–nowindowed,–console  

    使用控制台子系统执行(默认)(只对Windows有效)  pyinstaller -c  xxxx.py / pyinstaller xxxx.py --console 

     -s,–strip  可执行文件和共享库将run through strip.注意Cygwin的strip往往使普通的win32 Dll无法使用.
     -X, –upx  如果有UPX安装(执行Configure.py时检测),会压缩执行文件(Windows系统中的DLL也会)(参见note)
     -o DIR, –out=DIR

     指定spec文件的生成目录,如果没有指定,而且当前目录是PyInstaller的根目录,会自动创建一个用于输出(spec和生成

    的可执行文件)的目录.如果没有指定,而当前目录不是PyInstaller的根目录,则会输出到当前的目录下.

     -p DIR, –path=DIR

     设置导入路径(和使用PYTHONPATH效果相似).可以用路径分割符(Windows使用分号,Linux使用冒号)分割,指定多个

    目录.也可以使用多个-p参数来设置多个导入路径,让pyinstaller自己去找程序需要的资源

     –icon=<FILE.ICO>  将file.ico添加为可执行文件的资源(只对Windows系统有效),改变程序的图标  pyinstaller -i  ico路径 xxxxx.py
     –icon=<FILE.EXE,N>  将file.exe的第n个图标添加为可执行文件的资源(只对Windows系统有效)
     -v FILE, –version=FILE  将verfile作为可执行文件的版本资源(只对Windows系统有效)
     -n NAME, –name=NAME  可选的项目(产生的spec)名字.如果省略,第一个脚本的主文件名将作为spec的名字

    关于打包成什么样,有两种选择:

    • -D: 创建包含可执行文件的单文件夹包,同时会有一大堆依赖的 dll 文件,这是默认选项
    • -F: 只生成一个 .exe 文件,如果项目比较小的话可以用这个,但比较大的话就不推荐

      只生成一个 .exe 文件,则用PyInstaller -F mc_file.py命令。

    给exe程序添加图标

    使用命令(注意路径):

    pyinstaller -F -i E:moveImagemove.ico mc_file.py

    按上面的方法有时候图标不能正常显示出来,可以试着改一下程序的名字,如上的mc_file.py改为mc_file_from.py,

    此时用pyinstaller -F -i move.ico mc_file_from.py可以正常设置显示图标。

      如上程序就可以正常显示图标了。

    ****************************************************************************************

     打包图标的另一种方法:

    用如下方法:pyinstaller -D -i move.ico mc_file.py

      以上就是设置图标的方法。

     
  • 相关阅读:
    经验1
    Caffe和MatConvNet安装
    Matconvet的学习笔记
    CNN数据准备
    深度学习之卷积和池化
    深度学习之CNN的推导
    深度学习八(总结)
    深度学习七(卷积神经网络)
    深度学习六
    深度学习五
  • 原文地址:https://www.cnblogs.com/ubuntu1987/p/11872238.html
Copyright © 2011-2022 走看看