在CentOS系统上管理多个Python版本，几乎是每个运维和开发者迟早要面对的问题。系统自带的Python 2.7早已成为历史，而各种新项目又对Python 3.x的不同版本有着各自的需求。好在，解决这个问题的方案不止一种，从最基础的“手工打造”到高度自动化的“专业工具”，总有一款适合你的场景。
1. 手动编译安装+软链接/alternatives管理（基础方案）
手动编译安装，可以说是最“原教旨”的共存方式了。它的好处在于自由度极高，你可以为Python定制任何编译选项，且完全不依赖第三方工具。当然，代价就是步骤相对繁琐。
- 第一步：备好编译环境
工欲善其事，必先利其器。先通过yum把编译所需的依赖都装上，比如gcc、各个devel包。这一步很关键，漏掉任何一个，编译时都可能报错。 - 第二步：下载并编译源码
从Python官网拿到目标版本的源码包，比如Python-3.9.12.tgz。解压后进入目录，运行./configure时，通过--prefix指定一个专属的安装路径（比如/usr/local/python3.9），再用make && sudo make altinstall进行编译。注意，这里用的是altinstall而不是install，它能有效避免覆盖系统默认的python命令，防止搞乱系统环境。 - 第三步：管理多版本共存
安装完成，就需要一个“指挥官”来决定到底用哪个版本。这里面有两个常见思路：- 软链接法： 简单粗暴。备份原来的
/usr/bin/python，然后创建一个新的软链接指向你想要的Python版本。不过，这么做之后，一定要记得修改/usr/bin/yum这类系统脚本的shebang，把它们强行指向Python 2.7，否则yum会直接罢工。 - alternatives法： 这是CentOS系统自带的一个优雅方案。通过
update-alternatives工具，把不同版本注册进去，并设置优先级。之后只需要一条sudo alternatives --config python命令，就能在多个版本之间自由切换，比手动改软链接要安全和方便得多。
- 软链接法： 简单粗暴。备份原来的
2. 使用pyenv（推荐方案）
如果你觉得手动编译和配置alternatives还是有些麻烦，那pyenv绝对是你的菜。它是专门干这个的，而且无需改动系统文件，非常干净。
- 安装很简单： 先通过
yum安装必要的依赖（包括git），然后执行一行神奇的curl https://pyenv.run | bash命令，工具就自动克隆好了。 - 配置环境变量： 把pyenv的路径和初始化脚本加到
~/.bashrc里，然后source一下，环境就准备好了。 - 核心操作：
pyenv install --list可以列出所有可安装的版本，从经典的2.7到最新的3.x，应有尽有。pyenv install 3.8.12就能安装指定版本，而且可以同时安装多个，互不干扰。pyenv global 3.8.12设置全局默认版本，整个系统都听它的。pyenv local 2.7.18设置局部版本，它会在当前目录生成一个.python-version文件。一旦进入这个目录，Python版本就会自动切换。这个功能在管理不同项目时堪称神器。
3. 使用虚拟环境（隔离方案）
多版本共存解决的是“用哪个解释器”的问题，而虚拟环境解决的是“依赖包打架”的问题。同一个Python版本下，不同项目可能需要不同版本的第三方库（比如Flask 1.x和Flask 2.x），这时虚拟环境就派上用场了。
- 工具与创建： Python 3自带
venv模块，也可以用virtualenv。创建时，通过-p参数指定用哪个Python版本，比如virtualenv -p /usr/bin/python3.9 myenv39。 - 激活与使用：
source myenv39/bin/activate激活环境后，命令行提示符会变样，提醒你已经在特定的“沙盒”里了。在这个环境里，用pip安装的所有包都会被隔离，不会影响外面的世界。用完后，deactivate就能退出。
4. 使用conda（数据科学生态方案）
如果你做数据科学或者机器学习相关的工作，那么conda几乎是绕不开的选择。它不仅管理Python版本，还能管理包括NumPy、Pandas在内的众多科学计算包，甚至还能管理R语言等其他语言的环境。
- 安装： 下载一个Miniconda安装脚本，然后
bash执行，一路默认下去就行。 - 环境管理：
conda create -n myenv python=3.8就能创建一个名为myenv、Python版本为3.8的独立环境。激活和退出分别对应conda activate myenv和conda deactivate。
总的来说，如果你追求极致的控制和定制，首选手动编译；如果你希望一劳永逸地解决版本切换问题，pyenv是最好的选择；如果是为了项目隔离开发，虚拟环境必不可少；而如果你是数据科学从业者，conda则能提供一站式的环境管理体验。生态不同，选择自然也不同。
