参考：https://blog.csdn.net/qq_29183811/article/details/126772906
Linux部署JupyterHub实现多用户使用Jupyterlab
一、安装docker
1、安装
curl -fsSL https://get.docker.com | bash -s docker --mirror Aliyun
2、配置
# 重启docker systemctl restart docker # 设置docker为开机自启动 systemctl enable docker
二、拉取镜像并创建容器
1、拉取镜像
docker pull debian:latest
-
debian:latest 是 Debian 官方在 Docker Hub 上维护的镜像标签。
-
latest 默认指向 Debian 当前最新的稳定版（stable），例如 Debian 12（bookworm）或 Debian 11（bullseye），具体取决于 Debian 官方的更新策略。
-
这个镜像是 最小化基础镜像（minimal base image），仅包含最基本的系统工具和库，适合作为构建其他镜像的基础。
举个例子：
debian:latest 很可能指向 Debian 12 "bookworm"，因为 Debian 12 是当前最新的稳定版（发布于2023年6月），除非 Debian 13 已经发布并成为新的 stable。2、创建容器
docker run -itd --hostname=jupyterhub -v /etc/jupyterhub:/etc/jupyterhub --name=jupyterhub --restart=always -p 8000:8000 debian
此处使用debian作为基本镜像进行搭建，也可以使用ubuntu和centos等镜像，对外暴露端口号为8000，若有端口冲突，可改为其他端口，jupyterlab服务运行在容器的8000端口上。
3、进入容器
创建完成后进入容器，接下来的众多命令均在容器内执行：
docker exec -it jupyterhub /bin/bash
三、安装必要的包
1、更新软件源
apt-get update -y && apt-get upgrade -y && apt-get autoremove -y
# 如果速速很慢，国外源的问题，可以尝试先修改源
# 1) 把官方源换成清华镜像（debian bookworm 为例） sed -i 's|http://deb.debian.org|https://mirrors.tuna.tsinghua.edu.cn|g' /etc/apt/sources.list sed -i 's|http://security.debian.org|https://mirrors.tuna.tsinghua.edu.cn|g' /etc/apt/sources.list
# 1. 把 https 换成 http（临时）
sed -i 's|https://mirrors.tuna.tsinghua.edu.cn|http://mirrors.tuna.tsinghua.edu.cn|g' /etc/apt/sources.list
# 2. 更新索引并安装缺失的包
apt-get update -y
apt-get install -y ca-certificates openssl
# 3. 再把 http 换回 https（永久）
sed -i 's|http://mirrors.tuna.tsinghua.edu.cn|https://mirrors.tuna.tsinghua.edu.cn|g' /etc/apt/sources.list
# 4. 后续正常更新
apt-get update -y && apt-get upgrade -y && apt-get autoremove -y
2、安装软件
apt-get install vim procps wget -y
四、安装Miniconda3
1、获取下载地址
下载地址：Miniconda3清华镜像站下载
选择较新版本，复制链接，
Miniconda3-py310_22.11.1-1-Linux-x86_64.sh
https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py310_22.11.1-1-Linux-x86_64.sh
2、下载并安装
# 下载
## wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py39_4.12.0-Linux-x86_64.sh
wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py310_22.11.1-1-Linux-x86_64.sh
# 赋予可执行权限
chmod +x ./Miniconda3-py310_22.11.1-1-Linux-x86_64.sh
# 执行安装
./Miniconda3-py310_22.11.1-1-Linux-x86_64.sh
回车，空格到询问 yes 这里，输入 yes
修改路径
执行安装后，有几点注意：
- 刚执行的时候是服务条款，一路按
Enter，然后要输入的时候输入yes即可；
- 接下来会让确认路径，默认为
~/miniconda3，不要装在root用户目录下，建议装在/opt/miniconda3目录下，装root目录下之后会出现很多问题；
- 最后询问是否初始化，选择
yes；
-
安装完成后可删除安装包，以节省硬盘空间
3、验证是否安装成功
安装完成后重启终端，然后再进去，再进入发现终端(base)开头，说明安装成功
验证一下
# 重新加载 shell 环境 source /root/.bashrc# 看版本 conda --version
五、安装nodejs和npm
nodejs和npm可以使用apt-get包管理工具进行安装:
apt install nodejs npm -y
但版本可能不是很新，以下提供另一种安装方法：
1、下载
node.js中文官网：下载 | Node.js 中文网 (nodejs.cn)
https://npmmirror.com/mirrors/node/v22.18.0/node-v22.18.0-linux-x64.tar.xz
访问界面，选择Linux 二进制文件 (x64)，右键复制链接
返回终端，下载：
wget https://npmmirror.com/mirrors/node/v22.18.0/node-v22.18.0-linux-x64.tar.xz
解压：
tar -xvf ./node-v16.17.0-linux-x64.tar.xz
移动并重命名
mv node-v16.17.0-linux-x64/ /opt/nodejs
2、配置环境变量
vim /etc/bash.bashrc
追加以下内容：
#set for nodejs export NODE_HOME=/opt/nodejs export PATH=$NODE_HOME/bin:$PATH
使环境变量立即生效
source /etc/bash.bashrc
3、验证
nodejs和npm安装完成，使用以下命令进行验证
node -v # 查看node.js版本 npm -v # 查看npm版本
六、配置镜像源
npm、pip和conda的软件源都是国外的，在国内访问比较慢，换源有利于提高下载速度。
1、npm换源
npm config set registry http://registry.npmmirror.com # npm换淘宝源
2、pip换源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple # pip换清华源
3、conda换源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ conda config --set show_channel_urls yes
把 free 源和 msys2 源删掉（conda ≥ 4.7 后这两个基本没用）
conda config --remove channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free conda config --remove channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2
七、时区设置
不设置时区后续可能会出现一些问题。
终端执行：
dpkg-reconfigure tzdata
选择时区时选择Asia/Shanghai
城市
八、安装jupyter相关的库
1、需要npm安装的
npm install -g configurable-http-proxy
2、需要conda安装的
pycurl
这里需要大内存；；------------------------
conda install pycurl
pycurl必须用conda装，用pip装会报错，或用源码编译安装，没有pycurl就会导致普通用户无法开启jupyterlab
-
pycurl 是 Python 对 libcurl 的封装，用来给 JupyterHub 提供 高性能 HTTP/HTTPS 客户端 能力（JupyterHub 内部用它做代理、API 调用、Spawner 与 Hub 通信等）。
-
安装包本身并不大：
-
Linux x86_64 wheel 只有 ≈ 250 kB。
-
但它依赖 libcurl 及 openssl 等系统库，Conda 会一次性把兼容版本一起拉下来，所以 下载量可能达到 5-10 MB。
-
-
真正让你觉得“卡死”的原因通常不是包大小，而是 网络 + 依赖解析：
为什么看起来“卡”
-
依赖解析阶段
Conda 要先算一遍 环境与依赖约束，这一步在容器/低配机器上 CPU 占用高，看起来像假死，其实后台在算。 -
清华源 TLS 握手慢
如果刚装完 ca-certificates，但网络到 TUNA 的 TLS 握手偶尔延迟高，也会出现长时间停顿。 -
没有进度条
旧版 Conda 在解析阶段不显示任何输出，所以 几分钟没动静 会让人误以为死机。
如何缓解
-
第一次耐心等 3-5 分钟，别反复 Ctrl-C。
-
换用 mamba（conda 的 C++ 实现，解析快很多）：
离线安装
wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/linux-64/mamba-1.5.8-py310h51d5547_0.conda conda install ./mamba-1.5.8-py310h51d5547_0.conda
conda install -n base mamba -c conda-forge
mamba install pycurl
micromamba（跳过索引）
# 下载并解压 wget -qO- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/linux-64/micromamba-1.5.8-0.tar.bz2 | tar -xj bin/micromamba mv bin/micromamba /usr/local/bin/# 安装 pycurl / mamba 任意包 micromamba install pycurl -c conda-forge -y
3、需要pip安装的
pip install jupyterlab jupyterhub jupyterhub-idle-culler autopep8 pycodestyle mccabe pycodestyle pydocstyle pyflakes pylint rope yapf whatthepatch
解释一下安装的包的含义：
jupyterlab：jupyter notebook环境jupyterhub：jupyterhub主体程序jupyterhub-idle-culler：用于处理用户空闲进程
九、配置jupyterhub
1、生成配置文件
jupyterhub --generate-config -f /etc/jupyterhub/jupyterhub_config.py
2、编辑配置文件
vim /etc/jupyterhub/jupyterhub_config.py
将以下内容追加到配置文件/etc/jupyterhub/jupyterhub_config.py中
import sysc.Authenticator.admin_users = {'root'} # 管理员用户
# 管理员是否有权在各自计算机上以其他用户身份登录，以进行调试，此选项通常用于 JupyterHub 的托管部署，以避免在启动服务之前手动创建所有用户
c.JupyterHub.admin_access = True
c.PAMAuthenticator.open_sessions = False # 解决多用户同时登录问题。
c.Spawner.args = ['--allow-root'] # 允许root用户使用
c.LocalAuthenticator.create_system_users = True # 允许创建其他用户
c.Spawner.notebook_dir = '~' # 设置工作目录
c.Spawner.default_url = '/lab'c.JupyterHub.extra_log_file = '/etc/jupyterhub/jupyterhub.log' # 指定额外的日志
c.JupyterHub.pid_file='/etc/jupyterhub/jupyterhub.pid' # 指定pid文件位置
c.JupyterHub.db_url='/etc/jupyterhub/jupyterhub.sqlite' # 指定数据库文件位置
c.JupyterHub.cookie_secret_file='/etc/jupyterhub/jupyterhub_cookie_secret' # 指定cookie_secret文件位置
c.ConfigurableHTTPProxy.pid_file='/etc/jupyterhub/jupyterhub-proxy.pid' # 设置proxy.pid文件位置# 设置用户一小时内无使用则关闭jupyterlab服务
c.JupyterHub.services = [{'name': 'idle-culler','command': [sys.executable, '-m', 'jupyterhub_idle_culler', '--timeout=1800'],}
]c.JupyterHub.load_roles = [{"name": "list-and-cull", # name the role"services": ["idle-culler", # assign the service to this role],"scopes": [# declare what permissions the service should have"list:users", # list users"read:users:activity", # read user last-activity"admin:servers", # start/stop servers],}
]
十、启动
（1）正常启动
创建启动脚本：
vim /etc/jupyterhub/start_jupyterhub.sh
写入以下内容：
nohup jupyterhub -f /etc/jupyterhub/jupyterhub_config.py > /dev/null 2>&1 &
赋予可执行权限：
chmod +x /etc/jupyterhub/start_jupyterhub.sh
然后执行脚本启动jupyterhub
/etc/jupyterhub/start_jupyterhub.sh
（2）设置开机自启动
若每次启动都需要手动运行脚本来启动是在太麻烦，所以我们将脚本添加到容器的自启动中，让其随着容器的启动而启动。
容器在启动时，会先执行/root/.bashrc文件，我们将要执行的脚本加入其中即可实现jupyterhub随容器的启动而启动
vim /root/.bashrc
添加以下内容：
if [ -f /etc/jupyterhub/start_jupyterhub.sh ]; then/etc/jupyterhub/start_jupyterhub.sh fi
添加完成后，我们可以退出容器，然后让容器重启，看重启后jupyterhub是不是自动启动了
退出 docker
exit
# 重启容器
docker resatrt jupyterhub
十一、访问
1、进入容器
创建完成后进入容器，接下来的众多命令均在容器内执行：
docker exec -it jupyterhub /bin/bash
1、设置容器 root 密码
在访问前先设置密码，root用户为管理员，docker中的root用户默认是没有密码的，需要我们设置一个：
passwd root
确认 root 允许登录
容器默认允许 root 登录，但如果你改过 sshd_config 或 pam 配置，就可能被禁用。
临时测试可以：
grep root /etc/shadow
2、登录
然后再进行登录
查看登录日志
tail -f /etc/jupyterhub/jupyterhub.log
让 root 重新出现在白名单
/etc/jupyterhub/jupyterhub_config.py，确认并追加：# 如果文件里已有，就改；没有就加在最后
c.Authenticator.admin_users = {'root'} # 管理员
c.Authenticator.allowed_users = {'root'} # 允许登录
重启 JupyterHub 使配置生效
# 先停掉旧进程 pkill -f jupyterhub# 再启动 /etc/jupyterhub/start_jupyterhub.sh
然后再进行登录
用户登录：http://IP:8000/hub/login 用户管理：http://IP:8000/hub/admin
登录的密码是你系统用户的密码。若是要添加用户，在用户管理界面添加用户后，还需要在系统终端中修改密码。
登录界面：
登陆后的jupyterlab界面：
十二、用户管理
1、单个或较少用户管理
（1）添加用户
使用root账户登录管理界面，然后点击Add Users添加用户，添加用户时候，每一行一个用户。可选择Admin设置添加的用户是否是管理员
添加后的界面如下：
（2）修改用户
添加用户后，可以点击Edit User进行用户的删除、修改用户名和赋予管理员权限等操作。
（3）修改和设置用户密码
jupyterhub无法在管理界面设置密码，设置密码需要在终端中进行设置。在jupyterhub终端中添加的用户，将被默认添加到系统用户中，并在/home文件夹下生成相应的用户目录：
查看用户
ls /home/
因此，修改密码需要在终端中使用passwd命令来修改密码：
-
root用户可直接使用
passwd 用户名来修改密码，且修改密码不需要知道当前的密码：
2、多用户批量管理
当需要有大量添加大量用户时，我们就需要使用chpasswd命令来批量修改密码
（1）添加用户
首先在管理面板中批量添加用户
（2）批量修改密码
然后将用户名和密码对应，写成用户名:密码的形式，存储在文件中，如存储在passwd.txt文件中，文件内容如下所示：
lab01:3200201137 lab02:3200204233 lab03:3190707121 lab04:3200201232 lab05:3201902211 lab06:3200209116 lab07:3211902229 lab08:3211901113 lab09:3190113205 lab10:3210204416 lab11:3210204328 lab12:3210204326 lab13:3210204314 lab14:3210204428 lab15:3210201309 lab16:3200204317 lab17:3201901231 lab18:3201901103 lab19:3201901107 lab20:3210201225
然后在终端执行以下命令，即可完成用户密码的批量修改
chpasswd < passwd.txt
chpasswd < passwd.txt
这样添加的用户就可以通过用户名和设置的密码来访问了
十三、jupyterlab功能扩展
jupyterhub是用来管理多用户使用jupyterlab，但我们实际去写代码的界面其实还是jupyterlab。初始的jupyterlab功能十分有限，没有代码提示和自动补全、没有代码自动保存、没有代码格式化，所以我们需要通过安装插件来补全这些功能。jupyterlab插件有很多，这里介绍几个常用的。
1、中文界面
默认的jupyterlab是英文界面，我们需要安装插件来中文化
pip install jupyterlab-language-pack-zh-CN
安装后需要配置
管理员的页面
http://ip:8000/user/root/lab
2、自动保存
自动保存功能不需要安装插件，且jupyterlab是开启的，但jupyterlab中自动保存间隔是120秒，我们需要修改这个值。
- 依次打开设置->高级设置编辑器->JSON设置编辑器
- 然后添加自己的设置
3、自动闭合括号
设置->笔记本，勾选自动闭合括号
4、代码格式化
jupyterlab_code_formatter
# 安装插件 pip install jupyterlab_code_formatter # 安装格式化工具 pip install black isort
该插件安装后需要重启才生效。
当我们写完代码后，点击如图所示的图标，代码就会被自动格式化：
5、树目录
jupyterlab-unfold
pip install jupyterlab-unfold
6、绘制可交互图
jupyterlab-matplotlib
pip install ipympl
该插件安装后，使用matplotlib绘图时只要加上以下代码，即可绘制可交互的图像：
%matplotlib widget
绘制的效果如下，可以点击图中的点查看对应数值，以及放大缩小图像等：
7、代码补全和自动提示
pip install jupyterlab-lsp python-lsp-server
安装后重启，重启完成后进入到jupyterlab界面，然后进行设置。
进入设置，选择Code Completion，勾选Continuous hinting后刷新界面即可
效果如下，和Pycharm等IDE提供的代码提示类似：
8、代码执行时间
pip install jupyterlab_execute_time
如图所示，可以看到上次执行代码的时间和执行耗时：
9、绘制流程图
pip install ipydrawio
安装重启后，在开始页，可以看到增加了两个选项，点击可以创建绘图
创建的绘图界面如下，和drawio相似，其实就是drawio的jupyterlab插件：
10、多用户设置同步问题
当我们安装完插件后，需要进行一些设置才能够使用，但配置后我们发现只有当前用户可以使用，其他用户并没有进行配置。这是因为每个用户配置后相应的配置文件均保存在~/.jupyter文件夹下，若我们需要多个用户同时进行某项配置时，最简单的办法是直接使用配置好的用户的.jupyter文件夹替换要配置用户的文件夹即可，那样所有用户的配置都一样了。
值得注意的是，替换文件夹后要配置相应的权限，以免替换后被替换的用户无法访问配置文件而无法加载。最简单的方法是以下设置:
chmod -R 777 ~/.jupyter
-
当用户成百上千的时候，这么替换也属实麻烦，可以编写python或shell脚本去实现替换，以加快效率
十四、解决终端无法正常显示中文
1、安装locales
apt-get install locales -y
2、添加配置
dpkg-reconfigure locales
选择zh_CN.UTF-8 UTF-8
3、查看语言设置
locale
一键修复（两条命令即可）
# 1. 把 zh_CN.UTF-8 设为默认 update-locale LANG=zh_CN.UTF-8 LC_ALL=zh_CN.UTF-8# 2. 重新加载 shell 环境 source /etc/default/locale
/etc/default/locale，Debian 容器里默认的
/bin/sh -> dash 并不会自动读取它。手动
source 也不行，是因为：-
dash不认识LANG=xxx这种 Bash 语法； -
容器启动时并没有执行
login/pam_env，所以所有变量都是空的。
# 1. 直接在当前 shell 里导出 export LANG=zh_CN.UTF-8 export LC_ALL=zh_CN.UTF-8# 2. 验证 locale
若不是，可以添加环境变量
export LANG=zh_CN.UTF-8
追加到/etc/bash.bashrc文件中，然后再使其生效
source /etc/bash.bashrc
4、效果
设置完成后重新打开终端，设置成功
原来的显示
现在的显示
十五、解决matplotlib绘图异常
1、问题描述
matplotlib绘图代码如下：
import numpy as np
import matplotlib.pyplot as pltplt.rcParams['font.family'] = ['sans-serif']
plt.rcParams['font.sans-serif'] = ['SimHei']x=np.linspace(-np.pi,np.pi)
y1=np.sin(x)
y2=np.cos(x)
plt.title("常见三角函数")
plt.plot(x,y1,x,y2)
plt.show()
报错：
Font family [‘sans-serif‘] not found.Falling back to DejaVu Sans
原因：系统中缺少SimHei字体
2、问题解决
（1）获取matplotlib的字体目录
pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple
import matplotlib
print(matplotlib.matplotlib_fname())
/opt/miniconda3/lib/python3.10/site-packages/matplotlib/mpl-data/matplotlibrc
（2）打开字体目录
由上一步获取的地址修改得到
（2）打开字体目录
由上一步获取的地址修改得到
cd /opt/miniconda3/lib/python3.10/site-packages/matplotlib/mpl-data/fonts/ttf
3）下载SimHei字体
下载地址：https://www.fontpalace.com/font-download/SimHei/
下载后复制到上一步得到的字体目录
（4）清除matplotlib缓存
将服务器文件 复制到 容器
# 语法：docker cp <本地文件> <容器名>:<容器内绝对路径> docker cp ./SimHei.ttf jupyterhub:/opt/miniconda3/lib/python3.10/site-packages/matplotlib/mpl-data/fonts/ttf/
进入容器
docker exec -it jupyterhub /bin/bash
（4）清除matplotlib缓存
# 先获取缓存路径 import matplotlib matplotlib.get_cachedir()
'/root/.cache/matplotlib'
# 清除缓存 rm -rf /root/.cache/matplotlib
（5）修改配置文件
配置文件即第一步获取的文件
在 容器里 执行：
python -c "import matplotlib; print(matplotlib.matplotlib_fname())"
这个地址是python地址版本和自己对应
vim /opt/miniconda3/lib/python3.10/site-packages/matplotlib/mpl-data/matplotlibrc
修改的几处如下：
# 删除前面的#号 font.family: sans-serif# 删除前面的#号，并在后面添加SimHei font.serif: SimHei, DejaVu Serif, Bitstream Vera Serif, Computer Modern Roman, New Century Schoolbook, Century Schoolbook L, Utopia, ITC Bookman, Bookman, Nimbus Roman No9 L, Times New Roman, Times, Palatino, Charter, serif# 将True盖为False axes.unicode_minus: False
（6）重启
重启后再运行没问题了
十六、内存占用问题
用户每打开一个Notebook文件，系统就会开始一个jupyter notebook内核进程，用户退出后进程不会自动终止；
jupyterhub虽然可以自动释放资源，但并不会释放jupyter notebook内核进程；
当多个用户访问后，内存一直在增加，没有得到释放；
暂时没有好的解决方法，只能够让jupyterhub容器定时重启；
我们使用Linux中的crontab命令设置定时重启jupyterhub容器，crontab是Linux系统下用于执行定时任务的一个工具，用法可以自行百度。
crontab -e
Debian 基础镜像为了瘦身，默认不带 cron / crontab。
apt-get update && apt-get install -y cron
添加以下字段：
30 2 * * * docker restart jupyterhub
-
此字段指定每天凌晨2点30分重启jupyterhub容器
进入容器 安装 xedu环境
docker exec -it jupyterhub /bin/bash
XEdu-python==0.2.3
MMEdu==0.1.28
BaseML==0.1.5
BaseNN==0.3.1
BaseDT==0.1.3
easy-xedu==0.2.3
BaseDeploy==0.0.4
-
公共环境（common）里一次性装好你列出的那些库；
-
JupyterHub 默认把它作为“模板”，每个用户第一次登录时 自动克隆 到自己的独立环境；
-
之后用户自己在自己的环境里随意增删包，互不干扰。
1. 在容器里创建公共环境并装好所有库
source /opt/miniconda3/etc/profile.d/conda.sh# 创建公共环境（一次性装好你列出的全部包） conda create -n common python=3.10 \XEdu-python==0.2.3 MMEdu==0.1.28 BaseML==0.1.5 BaseNN==0.3.1 BaseDT==0.1.3 \easy-xedu==0.2.3 BaseDeploy==0.0.4 \numpy pandas matplotlib scikit-learn jupyterlab -y
正确做法（两步）
-
先创建公共环境（只装 conda 能解决的包）
source /opt/miniconda3/etc/profile.d/conda.sh conda create -n common python=3.10 numpy pandas matplotlib scikit-learn jupyterlab -y conda activate common
先装一个可用的 PyTorch（如 1.13.1）：
pip install torch==1.13.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
再用 pip 装 XEdu 系列包
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple \XEdu-python==0.2.3 MMEdu==0.1.28 BaseML==0.1.5 BaseNN==0.3.1 \BaseDT==0.1.3 easy-xedu==0.2.3 BaseDeploy==0.0.4
https://pytorch.org/get-started/previous-versions/
2. 修改 JupyterHub 配置，实现「首次登录自动克隆」
/etc/jupyterhub/jupyterhub_config.py，追加以下内容：
# 公共环境名称
COMMON_ENV = 'common'# 每个用户首次登录时，自动复制公共环境到自己的独立环境
c.Spawner.pre_spawn_hook = lambda spawner: (spawner.run_command(['/opt/miniconda3/bin/conda', 'create', '--clone', COMMON_ENV,'-n', spawner.user.name, '-y']) if COMMON_ENV not in spawner.run_command(['/opt/miniconda3/bin/conda', 'env', 'list'])[0] else None
)# JupyterHub 启动时使用该用户自己的环境
c.Spawner.conda_env = '{username}'
3. 重启 JupyterHub
pkill -f jupyterhub /etc/jupyterhub/start_jupyterhub.sh
5. 额外说明
-
升级公共库：只需在
common环境里conda update xxx，不会污染已克隆的个人环境。 -
重置个人环境：管理员可
conda remove -n alice --all，用户下次登录会重新克隆。
一句话总结
conda create -n common … 装好库 → 配置 pre_spawn_hook → 重启 JupyterHub，用户首次登录即拥有独立、已预装 XEdu 系列库的环境，互不干扰。