实测对比：PyInstaller vs Nuitka打包后，用这个工具分别能瘦身多少？附Matplotlib/Numpy案例

PyInstaller vs Nuitka 终极瘦身实测：Matplotlib/Numpy 项目体积优化全记录

每次用 Python 写完工具准备分享给同事时，最尴尬的莫过于对方看到几百兆的安装包后那句"这真是个小工具吗？"。上周我用 Matplotlib 做了个简单的数据可视化工具，PyInstaller 打包后居然有 42MB，而同样的功能用 C++ 编译出来可能不到 5MB。这促使我系统性地测试了主流 Python 打包方案及其瘦身技巧，特别是当项目包含科学计算库时的优化空间。

1. 测试环境与基准建立

1.1 实验设计思路

为了获得可比性数据，我设计了一个标准测试用例：一个使用 Numpy 生成随机数据并用 Matplotlib 绘制散点图的脚本。选择这两个库是因为它们：

• 是数据科学项目的典型依赖
• 包含大量可能未使用的编译文件和资源
• 在不同打包工具中的处理方式差异明显

测试环境配置如下：

1.2 基准代码实现

# scatter_plot.py import numpy as np import matplotlib.pyplot as plt def generate_plot(): np.random.seed(2023) x = np.random.normal(0, 1, 500) y = np.random.normal(0, 1, 500) plt.style.use('ggplot') fig, ax = plt.subplots(figsize=(8,6)) ax.scatter(x, y, alpha=0.6, c=np.sqrt(x**2 + y**2), cmap='viridis') ax.set_title('Multivariate Normal Distribution', pad=20) ax.set_xlabel('X Value', labelpad=10) ax.set_ylabel('Y Value', labelpad=10) plt.savefig('scatter.png', dpi=120, bbox_inches='tight') plt.close() if __name__ == '__main__': generate_plot() input("Plot generated. Press Enter to exit...")

这段代码特意包含了 Matplotlib 的样式设置和复杂绘图选项，以确保打包时包含完整的库功能。

2. 初始打包体积对比

2.1 PyInstaller 打包结果

使用以下命令进行打包：

pyinstaller --onefile --clean --upx-dir=./upx-3.96-win64 scatter_plot.py

打包结果分析：

2.2 Nuitka 打包结果

使用以下命令进行打包：

nuitka --onefile --remove-output --plugin-enable=numpy --windows-icon-from-ico=icon.ico scatter_plot.py

打包结果对比：

Nuitka 的打包优势主要来自：

• 更智能的依赖分析
• C++ 编译优化
• 动态链接部分系统库

3. 瘦身工具实战应用

3.1 瘦身工具工作原理

我们使用的瘦身工具基于动态分析原理，其工作流程如下：

1. 运行监控阶段：

   • 启动待分析的可执行文件
   • 使用 API Hook 技术记录所有文件访问操作

2. 依赖分析阶段：

   • 生成实际使用的文件清单
   • 对比打包目录中的全部文件

3. 清理优化阶段：

   • 移动未使用的文件到备份目录
   • 生成文件迁移报告
   • 保留原始目录结构

3.2 PyInstaller 瘦身过程

操作步骤：

python shrink_tool.py --target=dist/scatter_plot --log-level=debug

关键日志输出：

[DEBUG] 开始分析目录: dist/scatter_plot [INFO] 检测到 PyInstaller 打包结构 [DEBUG] 监控到已加载模块: numpy.core._multiarray_umath [DEBUG] 监控到资源访问: matplotlib/mpl-data/fonts/ttf/DejaVuSans.ttf [WARNING] 未使用文件: matplotlib/backends/_backend_tk.cp39-win_amd64.pyd

瘦身前后对比：

3.3 Nuitka 瘦身效果

针对 Nuitka 的特殊处理：

# Nuitka 专用白名单配置 { "nuitka_specific": [ "*.dist/Microsoft.VC140.CRT/*", "*.dist/python39.dll", "*.dist/zlib.pyd" ], "always_keep": [ "**/site-packages/numpy/core/*.dll", "**/matplotlib/backends/backend_qt5agg.py" ] }

优化结果：

4. 深度优化技巧

4.1 依赖树修剪技术

通过pipdeptree分析发现可以优化的依赖：

pipdeptree --packages numpy,matplotlib --freeze | grep -v "^\s"

输出显示可以移除的间接依赖：

mkl-service==2.4.0 pyparsing==3.0.9 cycler==0.11.0

优化方法：

# setup.cfg 中添加排除项 [options] install_requires = numpy>=1.21 matplotlib>=3.5 exclude_packages = mkl pyparsing

4.2 资源文件选择性打包

Matplotlib 字体优化方案：

1. 创建自定义字体清单：

   # font_list.py from matplotlib import font_manager fonts = [f.name for f in font_manager.fontManager.ttflist if f.name in ('DejaVu Sans', 'Arial')] print(f"Required fonts: {fonts}")

2. 修改打包配置：

   # hook-matplotlib.py datas = [ ('mpl-data/fonts/ttf/DejaVuSans.ttf', 'matplotlib/mpl-data/fonts/ttf'), ('mpl-data/matplotlibrc', 'matplotlib/mpl-data') ]

4.3 二进制文件压缩对比

测试不同压缩工具效果：

注意：过度压缩可能导致杀毒软件误报，建议测试后选择平衡方案

5. 工程实践建议

经过两周的测试和十几次打包迭代，总结出以下实用经验：

1. 工具选型策略：

   • 快速原型开发 → PyInstaller（调试方便）
   • 生产环境发布 → Nuitka（性能更优）
   • 极致体积需求 → PyInstaller + 深度瘦身

2. 目录结构优化：

   dist/ ├── app.exe # 主程序 ├── runtime/ # 动态加载的依赖 │ ├── numpy/ # 科学计算库 │ └── matplotlib/ # 绘图相关 └── data/ # 资源文件

3. 持续集成配置：

   # .github/workflows/build.yml - name: Build with Nuitka run: | nuitka --onefile --include-package-data=matplotlib \ --remove-output --output-dir=dist src/app.py python shrink_tool.py --target=dist/app.dist \ --config=.shrinkrc.json upx --lzma --best dist/app.exe