IDE之pycharm:专业版本连接远程服务器代码,并配置远程python环境解释器(亲测OK)。

简介: 本文介绍了如何在PyCharm专业版中连接远程服务器并配置远程Python环境解释器,以便在服务器上运行代码。

一、前因后果

本来一直在使用社区版本,但是因为项目越来越大,本地不行了,只能放在服务器上跑。但是代码的编写就成了问题,一般有两种方式:

  1. vscode连接远程服务器,我研究生就是这么搞的,确实简单,但是我不喜欢这个IDE,感觉不友好
  2. pycharm连接远程服务器,也就是本博客所讲,我喜欢,啊哈哈哈。
  • 社区版本不支持链接远程服务器,只有专业版才支持远程服务
  • 我的pycharm版本是2022.2.3,破解不易。有需要的可以举个手,我抛出一下。

二、建立远程服务器连接

1、开始配置 tools-deployment-configuration

在这里插入图片描述

2、建立ssh连接 选择文件传输协议SFTP

在这里插入图片描述

3、设置服务器名,随意

我以ip后两位命名
在这里插入图片描述

4、配置SSH

  • 左边的对号一定要点,这个很重要,这个是设置默认的远程服务。
  • Connection 点击SSH配置右侧的"…",进行SSH内容设置,进入点击加号。

在这里插入图片描述

在这里插入图片描述

5、配置参数

此处我们需要设置三个参数:

  1. Host为远程服务器ip地址;
  2. Port为SSH连接后的端口号默认22;
  3. User name为远程服务器用户名;
  4. Password 为远程服务器密码。
    输入完毕点击Test-connection,看看是否测试连接成功。我是特例。我使用的是密钥链接
    在这里插入图片描述
    我的密钥格式如下:

在这里插入图片描述

连接成功标识如下:

在这里插入图片描述
点击确定,回到部署页面

在这里插入图片描述

6、配置映射mapping

在mapping里设置 本地路径服务器路径 对应关系。通过这个映射,让本地和服务器文件夹互通。
为了好映射,我在服务器创建了一模一样的名称。

在这里插入图片描述

点击ok,回到项目即可。

7、打开Remote Host检查

设置好映射之后,打开Remote Host检查,看看服务器的项目是否变绿:

在这里插入图片描述

发现映射的文件名变成了绿色。

在这里插入图片描述

8、同步到服务器

最后将本地的文件同步到服务器
一般第一次,需要手动同步一下,从下图截图的第一个红框。
也可以看到第二个红框是默认自动上传的。

在这里插入图片描述

结果如下,右边上床的都成绿色啦:

在这里插入图片描述

三、配置远程python环境解释器

此时我们还不能在本地使用服务器的环境,我们需要将本地Pycharm的Python解释器设置为远程服务器中的指定环境下的Python解释器.

1、查看自己服务器环境

我这里是使用miniconda管理的python环境

miniconda下载、安装、创建python环境、conda常用命令

2、本地连接远程python环境解释器

a、进入设置

在这里插入图片描述

b、进入python环境拦截器配置

在这里插入图片描述

c、选择SSH中的远程环境配置

i、选择已存在的SSH这条路走不通

在这里插入图片描述

会弹出一个 SSH Configuration ,点击确定即可(也就是上面链接好的的SSH)
然后会回来,但是出现了一个问题,点击next没有反应,于是我也就作罢了。

在这里插入图片描述

ii、点击new 这条路OK的
  1. 1/4 Connection to SSH server
    可以从左上角看到这仅仅是第一步
    在这里插入图片描述

  2. 正常时输入用户名和密码,我这里是输入密钥和密码(和上面我的保持一致)。
    在这里插入图片描述

  3. 不用管:自己链接服务器
    在这里插入图片描述

  4. Project directory and Python runtime configuration。这里应该选择 虚拟机环境 -> Existing(存在的环境)-> 解释器右边三个点 -> 弹出一个框,选择自己服务器中安装的python环境解释器的python3(我这里使用miniconda创建的python环境)

    在这里插入图片描述

  5. 同一个页面需要配置映射的目录名称,如下所示

    在这里插入图片描述

    修改到自己服务器对应的目录,然后点击 okcreate 即可:

    在这里插入图片描述

  6. 环境界面(显示配置完成),包也都显示出来了,先点击 应用 再点击 ok 取消界面即可。

    在这里插入图片描述
    会发现下面会在自动上传目录中的文件。
    在这里插入图片描述

iii、最后配置

注意,因为上一小节的创建,Deployment 和 SSH configuration 有两个服务器和两个SSH链接
所以要删除刚创建的这个,把 第一章我们自己创建的 16.86 设置为默认的(点击上面的对号即可)

在这里插入图片描述

在这里插入图片描述
到此上传完毕

四、第二章和第三章的区别与联系

  1. 第二章 建立远程服务器连接 ,在Deployment中创建SSH连接,可以通过 Remote Host 查看远程服务器(使用SFTP协议),这一步需要mapping 本地目录和服务器目录
  2. 第三章 配置远程python解释器 ,也需要建立SSH连接(不知道为什么不可以使用第二章创建的SSH连接,软件问题);导致会创建一个新的SSH连接,还不能删除。

四、测试自动上传功能

1、根目录新建upload_test.py

在这里插入图片描述

2、自动上传数据

可以看到新创建的文件,已经自动上传到服务器上了。
在这里插入图片描述

五、测试运行

1. 修改 upload_test.py

在这里插入图片描述

2. 运行 upload_test.py

在这里插入图片描述

pycharm连接远程服务器:https://blog.csdn.net/maoliminmaomao/article/details/140304134

目录
打赏
0
1
0
1
53
分享
相关文章
白板秒变IDE,草图直接生成可运行代码!Pad.ws:白板+代码编辑器深度结合,创意到实现无缝衔接
Pad.ws是一款创新的在线开发环境,将交互式白板与完整IDE工具深度结合,支持多人实时协作和多种编程语言,无需安装即可通过浏览器访问。
135 1
白板秒变IDE,草图直接生成可运行代码!Pad.ws:白板+代码编辑器深度结合,创意到实现无缝衔接
|
4月前
|
时间序列异常检测:MSET-SPRT组合方法的原理和Python代码实现
MSET-SPRT是一种结合多元状态估计技术(MSET)与序贯概率比检验(SPRT)的混合框架,专为高维度、强关联数据流的异常检测设计。MSET通过历史数据建模估计系统预期状态,SPRT基于统计推断判定偏差显著性,二者协同实现精准高效的异常识别。本文以Python为例,展示其在模拟数据中的应用,证明其在工业监控、设备健康管理及网络安全等领域的可靠性与有效性。
698 13
时间序列异常检测:MSET-SPRT组合方法的原理和Python代码实现
【Azure Developer】分享两段Python代码处理表格(CSV格式)数据 : 根据每列的内容生成SQL语句
本文介绍了使用Python Pandas处理数据收集任务中格式不统一的问题。针对两种情况:服务名对应多人拥有状态(1/0表示),以及服务名与人名重复列的情况,分别采用双层for循环和字典数据结构实现数据转换,最终生成Name对应的Services列表(逗号分隔)。此方法高效解决大量数据的人工处理难题,减少错误并提升效率。文中附带代码示例及执行结果截图,便于理解和实践。
124 4
从零复现Google Veo 3:从数据预处理到视频生成的完整Python代码实现指南
本文详细介绍了一个简化版 Veo 3 文本到视频生成模型的构建过程。首先进行了数据预处理,涵盖了去重、不安全内容过滤、质量合规性检查以及数据标注等环节。
119 5
从零复现Google Veo 3:从数据预处理到视频生成的完整Python代码实现指南
从零开始200行python代码实现LLM
本文从零开始用Python实现了一个极简但完整的大语言模型,帮助读者理解LLM的工作原理。首先通过传统方法构建了一个诗词生成器,利用字符间的概率关系递归生成文本。接着引入PyTorch框架,逐步重构代码,实现了一个真正的Bigram模型。文中详细解释了词汇表(tokenizer)、张量(Tensor)、反向传播、梯度下降等关键概念,并展示了如何用Embedding层和线性层搭建模型。最终实现了babyGPT_v1.py,一个能生成类似诗词的简单语言模型。下一篇文章将在此基础上实现自注意力机制和完整的GPT模型。
147 14
从零开始200行python代码实现LLM
200行python代码实现从Bigram模型到LLM
本文从零基础出发,逐步实现了一个类似GPT的Transformer模型。首先通过Bigram模型生成诗词,接着加入Positional Encoding实现位置信息编码,再引入Single Head Self-Attention机制计算token间的关系,并扩展到Multi-Head Self-Attention以增强表现力。随后添加FeedForward、Block结构、残差连接(Residual Connection)、投影(Projection)、层归一化(Layer Normalization)及Dropout等组件,最终调整超参数完成一个6层、6头、384维度的“0.0155B”模型
129 11
200行python代码实现从Bigram模型到LLM
|
26天前
|
魔搭notebook在web IDE下,使用jupyter notebook,python扩展包无法更新升级
魔搭notebook在web IDE下,使用jupyter notebook,python扩展包无法更新升级,不升级无法使用,安装python扩展包的时候一直停留在installing
48 4
把Postman调试脚本秒变Python采集代码的三大技巧
本文介绍了如何借助 Postman 调试工具快速生成 Python 爬虫代码,并结合爬虫代理实现高效数据采集。文章通过“跨界混搭”结构,先讲解 Postman 的 API 调试功能,再映射到 Python 爬虫技术,重点分享三大技巧:利用 Postman 生成请求骨架、通过 Session 管理 Cookie 和 User-Agent,以及集成代理 IP 提升稳定性。以票务信息采集为例,展示完整实现流程,探讨其在抗封锁、团队协作等方面的价值,帮助开发者快速构建生产级爬虫代码。
111 1
把Postman调试脚本秒变Python采集代码的三大技巧
lingma IDE无法使用很多微软官方插件,代码无法点击跳转
当前环境存在以下问题:1. 无法使用微软官方插件 IntelliCode,影响代码智能补全与开发效率;2. 代码中变量点击后无法跳转定义位置(如图所示,Python导入模块无法跳转),此为重大缺陷,请尽快修复,以提升开发体验。这些问题导致的功能缺失,使当前环境与理想开发需求存在一定差距。
图神经网络在信息检索重排序中的应用:原理、架构与Python代码解析
本文探讨了基于图的重排序方法在信息检索领域的应用与前景。传统两阶段检索架构中,初始检索速度快但结果可能含噪声,重排序阶段通过强大语言模型提升精度,但仍面临复杂需求挑战
89 0
图神经网络在信息检索重排序中的应用:原理、架构与Python代码解析

热门文章

最新文章

推荐镜像

更多
AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等

登录插画

登录以查看您的控制台资源

管理云资源
状态一览
快捷访问