文章目录

  • 参考文章
  • 设置开始
  • 1. 查看linux主机IP信息
  • 2. 选择Tools--Deployment--Configuration
  • 配置远程linux的python
  • 查看主机名
  • 查看linux端的python的路径,要保持一致
  • 查看linux的tmp目录
  • 再设置一次linux的远程目录



参考文章

pycharm远程linux开发和调试代码

设置开始

1. 查看linux主机IP信息
$ifconfig
docker0: flags=4099<UP,BROADCAST,MULTICAST>  mtu 1500
        inet 172.17.0.1  netmask 255.255.0.0  broadcast 172.17.255.255
        ether 02:42:27:f7:74:f1  txqueuelen 0  (Ethernet)
        RX packets 0  bytes 0 (0.0 B)
        RX errors 0  dropped 0  overruns 0  frame 0
        TX packets 0  bytes 0 (0.0 B)
        TX errors 0  dropped 0 overruns 0  carrier 0  collisions 0

ens33: flags=4163<UP,BROADCAST,RUNNING,MULTICAST>  mtu 1500
        inet 192.168.130.129  netmask 255.255.255.0  broadcast 192.168.130.255
        inet6 fe80::fd1e:36c1:efb1:a78b  prefixlen 64  scopeid 0x20<link>
        ether 00:0c:29:c8:8d:34  txqueuelen 1000  (Ethernet)
        RX packets 549497  bytes 464099403 (464.0 MB)
        RX errors 0  dropped 0  overruns 0  frame 0
        TX packets 255113  bytes 34874629 (34.8 MB)
        TX errors 0  dropped 0 overruns 0  carrier 0  collisions 0

lo: flags=73<UP,LOOPBACK,RUNNING>  mtu 65536
        inet 127.0.0.1  netmask 255.0.0.0
        inet6 ::1  prefixlen 128  scopeid 0x10<host>
        loop  txqueuelen 1000  (Local Loopback)
        RX packets 3175  bytes 283611 (283.6 KB)
        RX errors 0  dropped 0  overruns 0  frame 0
        TX packets 3175  bytes 283611 (283.6 KB)
        TX errors 0  dropped 0 overruns 0  carrier 0  collisions 0

上面是虚拟机的ubuntu18.04 linux系统,一般参考第二行信息,主机地址为,inet 192.168.130.129

2. 选择Tools–Deployment–Configuration

python flask linux远程服务器开发_linux

这里选择SFTP就可以

python flask linux远程服务器开发_python_02

填入linux机信息

python flask linux远程服务器开发_Deployment_03


Local path配置为你windows本地的代码路径就可以

Deployment path on server 这个配置为你linux上代码的路径

配置完成之后点击ok保存

python flask linux远程服务器开发_python_04

这个时候通过Tools–Deployment–Browse Remote Host就可以看到你远程主机的信息

python flask linux远程服务器开发_linux_05

python flask linux远程服务器开发_python_06

配置远程linux的python

试运行一次后,现在还是win端的python,软件包应该也是win端的

python flask linux远程服务器开发_linux_07

目前使用的python包也是win端的

python flask linux远程服务器开发_linux_08

查看主机名
$hostname
tssys

python flask linux远程服务器开发_linux_09


点击倒数第二行的create

python flask linux远程服务器开发_linux_10

查看linux端的python的路径,要保持一致
$which python
/opt/conda/bin/python

python flask linux远程服务器开发_linux_11


执行代码使用root权限,不选

linux端的python出现了,加载包中

python flask linux远程服务器开发_Deployment_12

由于我的linux没有装anconda,所以没有出现刚才的包,说明这是linux端。还有一个cnvkit,是生信包,也出现了,说明是linux端

python flask linux远程服务器开发_linux_13

第二行,Path mapping 不理解,路径比较奇怪

python flask linux远程服务器开发_python_14


linux端的路径,不认识,要给一个熟悉的路径,才有用这是针对于项目的,两边给一个路径

python flask linux远程服务器开发_Deployment_15


竟然出现两个路径,不太好吧

python flask linux远程服务器开发_python_16

还是将新加的路径删除,先试试再说

python flask linux远程服务器开发_python_17

查看linux的tmp目录

还没有生成界面上那个路径,可能是软件自动生成的

$ls /tmp/
_cafenv-appconfig_                                                      systemd-private-4a869f4aa0e7419e9c6da0f3e4d20105-fwupd.service-DAfREf
config-err-qA5yGY                                                       systemd-private-4a869f4aa0e7419e9c6da0f3e4d20105-rtkit-daemon.service-JmFoWr
hsperfdata_root                                                         systemd-private-4a869f4aa0e7419e9c6da0f3e4d20105-systemd-resolved.service-Y0xu2g
rstudio-rsession                                                        systemd-private-4a869f4aa0e7419e9c6da0f3e4d20105-systemd-timesyncd.service-OLFvCx
ssh-LQ7uqlgtwsPV                                                        VMwareDnD
systemd-private-4a869f4aa0e7419e9c6da0f3e4d20105-bolt.service-VKZkJ3    vmware-root
systemd-private-4a869f4aa0e7419e9c6da0f3e4d20105-colord.service-ABRYra  vmware-toucan

运行代码

python flask linux远程服务器开发_Deployment_18


在linux端,但是跑到tmp目录去了

$ls /tmp/pycharm_project_653/test1.py
/tmp/pycharm_project_653/test1.py
再设置一次linux的远程目录

python flask linux远程服务器开发_linux_19

一直在加载,真慢

python flask linux远程服务器开发_linux_20

总结,pycharm连接linux’端,同步慢,担心容易出错。建议还是使用jupyter notebook进行深入研究,这个开发环境

出发在自己的台式电脑时linux版本,安装桌面版的pycharm,然后使用远程连接linux集群,这种情况,应该会比较顺畅点

前期,还是深入学jupyter会比较好,减少出错。还没到大型项目,大量调试的阶段。