.NET 项目集成 Python 代码的 4 个方案 | 专注于.NET, .NET Core, Azure的开发与推广

前言

在 AI 和大数据横行的今天，.NET 开发者经常面临一个挑战：C# 擅长编写高性能的后端工程，而 Python 拥有无敌的生态系统（如 PyTorch, Pandas, Scikit-learn）。

是花几个月时间用 C# 重写算法，还是直接“借力” Python？作为技术教育者，我建议你学会根据场景选择集成方案。本文将深度解析四种主流技术路径，带你实现 C# 与 Python 的完美联姻。

方案一：Python.Included —— 零依赖、开箱即用的“绿色版”

这是目前最受初学者欢迎的方案。它通过将精简版的 Python 发行版压缩在 NuGet 包中，实现了 “代码分发即环境就绪”。

详细描述

该方案的核心是 Python.Included 库。当你运行程序时，它会检查本地目录，如果发现没有 Python 环境，会自动解压一个专供 .NET 使用的私有 Python 运行时。这种方式最大的好处是 不需要在目标机器上手动安装 Python，彻底解决了环境变量配置导致的报错。

代码实战：使用 Numpy.NET 进行计算

using Numpy;
using Python.Included;
using Python.Runtime;

// 1. 自动解压并设置私有 Python 环境
await Installer.SetupPython(); 

// 2. 初始化引擎（指向刚刚解压的路径）
PythonEngine.Initialize();

using (Py.GIL()) // 必须获取全局解释器锁
{
    // 像写 Python 一样定义数组
    var a = np.array(new int[] { 1, 2, 3 });
    var b = np.array(new int[] { 4, 5, 6 });
    
    // 执行矩阵加法
    var result = a + b;
    Console.WriteLine($"计算结果: {result}"); 
}

方案二：Python.NET (pythonnet) —— 追求性能的进程内互操作

如果你需要极高的性能，且能够控制生产环境（如 Docker 镜像），原生的 pythonnet 是标准选择。

详细描述

与方案一不同，pythonnet 默认不带 Python 运行时，它需要你手动指定系统中已安装的 python3x.dll。它在 进程内（In-Process） 加载 Python 解释器。C# 和 Python 共享同一块内存空间，这意味着数据传递（如传递大型数组）几乎没有延迟。

核心细节：管理 GIL (Global Interpreter Lock)

由于 Python 的线程模型限制，在 C# 中并发调用 Python 时，必须通过 Py.GIL() 显式管理锁，否则会造成内存冲突。

// 指定本地 Python 动态库路径
Runtime.PythonDLL = @"C:\Python311\python311.dll";
PythonEngine.Initialize();

using (Py.GIL())
{
    // 导入任何你安装好的 Python 库
    dynamic pandas = Py.Import("pandas");
    dynamic df = pandas.read_csv("data.csv");
    Console.WriteLine(df.head());
}

方案三：微服务化 (FastAPI) —— 现代工程解耦方案

这是工业界处理复杂模型推理（如图像识别、大模型调用）最常用的方案。

详细描述

将 Python 逻辑完全独立出来，封装成一个轻量级的 Web API (使用 FastAPI 或 Flask)。C# 作为客户端，通过 HTTP 进行调用。

优点：完全解耦。Python 挂了不会拖累 C# 程序；两者可以部署在不同的服务器甚至不同的 OS 上。
缺点：网络序列化（JSON/Protobuf）有一定的性能开销。

代码示例 (C# 端调用)

public async Task<string> GetAnalysisAsync(List<double> sensorData)
{
    using var client = new HttpClient();
    // 将数据发送到 Python 编写的算法服务
    var response = await client.PostAsJsonAsync("http://python-algo-service/analyze", sensorData);
    return await response.Content.ReadAsStringAsync();
}

方案四：命令行管道 (CLI) —— 稳健的“防火墙”隔离

如果你的 Python 任务是批处理性质的（如每天凌晨跑一次报表），这是最简单的做法。

详细描述

通过 System.Diagnostics.Process 启动一个新的 Python 进程。通过命令行参数（Arguments）输入数据，通过标准输出（StandardOutput）获取结果。

隔离性最高：Python 进程拥有完全独立的内存，不会造成 .NET 的垃圾回收 (GC) 压力。
简单：只要 Python 脚本能在 CMD 里跑通，就能被 C# 调用。

代码示例

var startInfo = new ProcessStartInfo
{
    FileName = "python.exe",
    Arguments = "analyze.py --input raw_data.json",
    RedirectStandardOutput = true,
    UseShellExecute = false,
    CreateNoWindow = true
};

using var process = Process.Start(startInfo);
string result = process.StandardOutput.ReadToEnd(); // 捕获 Python 的 print 输出

深度思考：如何选择适合你的方案？

在实际架构中，我们可以建立一个简单的决策模型：

数据量级：如果你需要传递 GB 级的图像数据，方案二 (Python.NET) 是唯一选择，因为它支持指针级别的内存共享。
部署复杂度：如果你在做桌面客户端，用户不可能懂如何配 Python 环境，请闭眼选 方案一 (Python.Included)。
系统稳定性：如果 Python 库不稳定（容易内存泄漏或崩溃），请务必选 方案三 (Web API) 或 方案四 (CLI)，建立进程级隔离的“防火墙”。

性能公式：。在微服务方案中，往往序列化 JSON 的时间比算法运行时间还长，这是需要优化的重点。

总结

集成 Python 的四种路径各司其职：

Python.Included：最省心的“全包”服务。
Python.NET：发烧级的“同体”性能。
FastAPI：现代化的“异构”解耦。
Process：最稳的“物理”隔离。

核心收获：

了解了如何利用 Py.GIL() 保证多线程安全。
学会了针对不同分发场景（桌面 vs 云端）选择环境配置。
明确了数据通信成本在跨语言调用中的重要性。

思考题：如果你的 Python 代码由于算法错误导致了“内存溢出”，在 方案二 和 方案三 中，分别会对你的 .NET 主程序产生什么影响？

参考链接：