Python 依赖库的引用问题，感觉没有合适的方法

修改 B 适配新版 D

Dependency hell
如果版本冲突实在无法解决，只能拆成两个项目，或者在 B 和 C 舍弃其中一个

很多 tensorflow 的开源代码，依赖版本要求特别严格。如果真要适配，需要很多改动，没办法开箱即用了。
头疼。

可以考虑使用 monkey patch

在模块 A 中重新实现 b 中的 call_foo 方法，就不会报错了

(记得空格会被吞，以下用.代替行首空格了)

```python
# file a.py
import b
import c

from d import foo

def call_foo():
....# 重新实现 call_foo 方法
....foo(3, 4, 5)

# 修改 b 的 call_foo 方法
b.call_foo = call_foo

b.call_foo()
c.call_foo()

# file b.py
from d import foo

def call_foo():
....# 模拟调用 1.x 版本 d.foo()，传两个参数
....foo(1, 2)

# file c.py
from d import foo

def call_foo():
....# 模拟调用 2.x 版本 d.foo()，传三个参数
....foo(1, 2, 3)

# file d.py

# 模拟实现 2.x 版本 d.foo()，必须传三个参数
def foo(a, b, c):
....pass
```

如果是 js + pnpm 就没有这个问题，js 的依赖管理机制 天然支持 单个库的 多版本共存

你能不能把两个 D 保存到本地文件夹，然后重命名为 D1 ，D2 ，然后分别引用各自的 D 就行了？

可以试一下 poetry

简单的方法就是将旧版本 D 包更名后安装，然后修改 B 使其使用旧版本的 D

我想问下 op 主遇到的具体是哪两个库有依赖冲突呢？

一开始想的是

pip install a==1.0 -t ./a1

pip install a==2.0 -t /a2

sys.path.extend(['./a1', './a2'])

后来一想, 实际没用. 遇到过, 强行升级/降级 解决的, 解决不了的走 RPC 了, 坑爹

如果是 tensorflow 冲突，前面说的应该都不奏效。只要同一个进程里存在两个版本的 tensorflow 极大概率会出问题，因为 tf 有很多 native 的代码，怎么改名都没用

如果对于 B 和 C ，你只是把他们当黑箱来应用，即只是简单地直接喂数据给 B 和 C 得到结果，有一个办法是把他们服务化。首先你分别为他们创建他们自己的 venv ，然后分别用两个 venv 的 python 起两个进程，你的主进程使用 IPC 和他们通信即可。

楼上 +1 ，额外多起一个服务，本地 IPC 通信好了

@lisongeee #5 python 有个类似的，pdm ，也支持整台电脑每个包只保留一份，然后通过软链接引用啥的。

但不清楚能不能多版本共存。。

@wxf666

nodejs 的 node_modules 机制本来就是为了多版本共存而存在的，但是也因此被诟病占用过多空间

pnpm 主要解决 node_modules 空间占用过多的问题

conda 不行吗？

@hsfzxjy 嗯，这个方法也不错。直接当两个独立的服务。

docker A 安装低版本，然后使用 A 作为 baseimage ，再安装高版本，最后打出来的镜像两个版本都有。
虽然在安装的时候会提示不兼容，但是并不影响安装。最后代码也能跑起来。

@xiaoqiao24 这真的是我未曾想到的方法