Mac Mini:开发环境配置指南:从零安装 Homebrew、Python、Git、Node 和 UV 工具

文章目录

前言

本文将详细介绍如何在 Mac Mini 上从零开始配置完整的开发环境,包括 Homebrew 包管理器的安装、Python 环境配置、Git 版本控制工具、Node.js 运行时以及新兴的高性能 Python 包管理工具 UV 的安装与使用。


一、Homebrew 安装与配置

1. 安装 Homebrew

Homebrew 是 macOS 上最受欢迎的包管理器,当Homebrew安装成功后,git、node、python等都可以通过Homebrew来管理,,安装命令如下:

/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

2. 配置环境变量

安装完成后,根据提示将 Homebrew 添加到 PATH:

echo'eval "$(/opt/homebrew/bin/brew shellenv)"'>> ~/.zshrc source ~/.zshrc 
注意:

如果你使用的是 旧版 macOS(10.14 或更早),可能默认是 bash,则改成 ~/.bash_profile 而不是
~/.zshrc。

如果是 M1/M2 Mac,Homebrew 默认安装在 /opt/homebrew,而 Intel Mac 是在 /usr/local。

3. 验证安装

brew --version 

4. 常见问题解决

  • 安装缓慢:可使用国内镜像源加速:
export HOMEBREW_BREW_GIT_REMOTE="https://mirrors.ustc.edu.cn/brew.git" export HOMEBREW_CORE_GIT_REMOTE="https://mirrors.ustc.edu.cn/homebrew-core.git" /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)" 
  • 权限问题:避免使用 sudo 安装
  • 卸载方法:使用官方卸载脚本
进度判断技巧:
如果终端长时间无输出:
按 Control+T 可显示隐藏的传输进度
通过活动监视器查看 curl 或 git 进程是否在活动

二、Python 环境配置

1. 通过 Homebrew 安装 Python

brew install python 

2. 验证安装

python3 --version pip3 --version 

3. 虚拟环境管理

推荐使用 venv 创建隔离环境:

python3 -m venv myenv source myenv/bin/activate 

三、Git 版本控制工具

1. 安装 Git

brew installgit

2. 基本配置

git config --global user.name "Your Name"git config --global user.email "[email protected]"

3. 验证安装

git --version 

四、Node.js 安装与管理

1. 通过 Homebrew 安装 Node.js

brew install node 

2. 验证安装

node --version npm --version 

3. 使用 nvm 管理多版本(可选)

brew install nvm mkdir ~/.nvm 

五、UV 工具安装与使用

1. 什么是 UV?

UV 是由 Astral 公司开发的 Rust 语言编写的高性能 Python 包管理工具,旨在替代 pip 和 pip-tools。

2. 安装 UV

curl -LsSf https://astral.sh/uv/install.sh |sh

3. 配置环境变量

echo'export PATH="$HOME/.local/bin:$PATH"'>> ~/.zshrc source ~/.zshrc 

4. 基本使用

功能传统命令UV 命令速度提升
安装包pip install numpyuv pip install numpy5-10x
安装项目依赖pip install -r req.txtuv pip install -r req.txt8-15x
生成锁定文件pip-compileuv pip compile50x+
创建虚拟环境python -m venvuv venv3x

5. 国内用户加速

exportUV_INDEX_URL=https://pypi.tuna.tsinghua.edu.cn/simple 

六、完整开发环境验证

1. 检查所有工具版本

brew --version python3 --version git --version node --version uv --version 

2. 创建并运行示例项目

mkdir myproject &&cd myproject uv venv .venv source .venv/bin/activate uv pip install fastapi uvicorn 

七、性能优化建议

  1. 使用 UV 替代 pip 进行包管理

为常用命令创建别名:

echo"alias uvinstall='uv pip install -r requirements.txt'">> ~/.zshrc 

定期更新所有工具:

brew update && brew upgrade 

结语

通过本文的步骤,你已经成功在 Mac Mini 上配置了完整的开发环境。从基础的 Homebrew 和 Python,到版本控制工具 Git,再到 Node.js 运行时,最后是新兴的高性能 Python 包管理工具 UV,这套环境将满足大多数开发需求。

UV 工具的出现特别值得关注,它通过 Rust 实现的底层优化,为 Python 包管理带来了革命性的速度提升。建议开发者尝试将现有项目迁移到 UV,体验更高效的开发工作流。

Read more

Python驱动Ksycopg2连接和使用Kingbase:国产数据库实战指南

Python驱动Ksycopg2连接和使用Kingbase:国产数据库实战指南

引言 在国产数据库蓬勃发展的今天,KingbaseES作为国产数据库的佼佼者,凭借其高兼容性、高性能和高安全性,在金融、政府、能源等关键领域得到了广泛应用。本文将介绍如何通过Python的ksycopg2驱动连接并操作Kingbase数据库,从基础连接到高级操作全面掌握这一技术栈。 KingbaseES 数据库【系列篇章】: No.文章地址(点击进入)1电科金仓KingbaseES数据库解析:国产数据库的崛起与技术创新2KingBase数据库迁移利器:KDTS工具深度解析与实战指南3KingBase数据库迁移利器:KDTS工具 MySQL数据迁移到KingbaseES实战4电科金仓KingbaseES V9数据库:国产数据库的自主创新与行业实践深度解析5KingbaseES客户端工具Ksql使用全指南:从安装到高级操作6Spring JDBC与KingbaseES深度集成:构建高性能国产数据库应用实战7深度解析:基于 ODBC连接 KingbaseES 数据库的完整操作与实践 一、ksycopg2驱动:连接Kingbase的桥梁 1.1 驱动架构深度剖析 ksyc

By Ne0inhk

VS Code 中的 Python 代码格式化插件

在 VS Code 中,有几款非常出色的 Python 代码格式化插件可以帮助你保持代码的整洁与规范。下面这个表格整理了目前主流的几款工具,你可以根据它们的特点进行选择。 工具名称核心特点风格理念推荐适用场景Black开箱即用,几乎无需配置;强制统一的代码风格,可预测性强。“无妥协”的格式化器。它决定格式,讨论空间小,保证所有代码风格一致。团队协作项目;希望零配置快速上手的开发者;追求极简和一致性。autopep8基于 PEP 8 规范,主要修复代码风格问题(如缩进、空格)。相对保守,专注于修复而非重新排版。希望代码严格遵循 PEP 8;对现有代码进行温和的格式化修复。yapf高度可定制,可以模仿多种代码风格;格式化策略更“激进”,会重新排版代码。“自成风格”。目标是通过调整代码来达到最佳可读性,而非严格遵循某一规范。需要高度自定义格式化规则;项目有特殊的代码风格要求。 🔧 如何安装与配置 选好工具后,只需简单几步就能在 VS Code 中启用它们。

By Ne0inhk
Go、Rust、Kotlin、Python 与 Java 从性能到生态,全面解读五大主流编程语言

Go、Rust、Kotlin、Python 与 Java 从性能到生态,全面解读五大主流编程语言

文章目录 * 从性能到生态,全面解读五大主流编程语言 * 一、语言定位与设计哲学:为何而生? * 二、性能对比:谁更快?谁更省资源? * 性能维度拆解 * 性能对比表(基于典型 Web API 场景) * 性能实测案例(斐波那契数列第45项) * 三、并发模型:谁更适合高并发? * 并发模型对比 * 四、错误处理机制:如何应对失败? * 示例:读取文件内容 * 五、类型系统:静态 vs 动态,强类型 vs 弱类型 * 空安全对比(防 NPE) * 六、内存管理:GC vs 所有权 * Rust 的“所有权”机制详解 * 七、生态系统与社区活跃度 * 典型生态代表

By Ne0inhk

08 Python 数据分析:学生画像匹配与相似度计算

Python 数据分析:学生画像匹配与相似度计算 适合人群:Python 初学者 / 数据分析入门 / 推荐系统基础学习者 / 教学案例分享 在数据分析和机器学习中,我们经常会遇到这样的问题: * 如何判断两个学生的学习习惯是否相似? * 如何衡量两个商品是不是“同类竞品”? * 为什么推荐系统能给你推送“你可能喜欢”的内容? * 两段文本内容相似,应该怎么用数据来表示? 这些问题,归根到底,都指向一个核心概念: 相似性度量 本文将通过“学生画像匹配”和“课程评价文本分析”两个小案例,带你理解下面几个非常常用的概念: * 欧氏距离(Euclidean Distance) * 曼哈顿距离(Manhattan Distance) * 余弦相似度(Cosine Similarity) 并结合 Python 完成简单实战。 一、案例引入:谁和你最像? 假设我们想根据学生的学习数据,寻找“和你最相似的同学”。 比如现在有三位学生的成绩数据: 学生数学英语A8085B8288C6070 问题来了:

By Ne0inhk