Streamlit 完整介绍（2026 最新）

Streamlit 是一个程序库，能够让数据科学家快速搭建概念验证（POC）应用以及简易应用。 你无需使用 React.js 这类前端框架，借助这个库就能高效完成全部开发工作。

Streamlit 简要解读

Streamlit 是面向 Python 的 Web 应用开源库，定位就是数据科学家、分析师快速做可视化网页应用、POC 原型。 核心特点正如你所说：不用学习前端（HTML/CSS/JS、React/Vue 等），只写 Python 就能产出交互式网页。

核心优势

1. 开发成本极低常规方案：Python 后端 + React 前端 + 接口联调。 Streamlit：纯 Python，几行代码生成页面、图表、按钮、文件上传组件。

   import streamlit as st st.title("数据原型Demo") num = st.slider("选择数值", 0, 100) st.write(f"你选了：{num}")

   运行命令：streamlit run app.py，直接打开浏览器访问。

2. 天然适配数据栈原生兼容 Pandas、NumPy、Matplotlib、Plotly、Altair、PySpark、机器学习模型，非常适合展示数据分析结果、模型演示。
3. 自动响应式交互页面组件发生变化时，脚本默认从头重新执行，不需要手动写事件回调，降低交互开发门槛。

适用场景 ✅

• 算法 / 数据分析POC 概念验证、内部演示工具
• 机器学习模型演示、特征调试面板
• 小型内部业务简易工具、报表看板
• 给非技术同事快速交付交互式数据工具

局限性 ⚠️

1. 不适合面向大量公网用户的正式生产系统并发性能较弱；页面刷新机制（整段脚本重跑）在复杂逻辑下容易低效。
2. 自定义 UI 自由度有限很难做到高度定制化、复杂布局；想要精致商业界面不如前端框架灵活。
3. 状态管理比较简陋需要依靠st.session_state维护状态，大型复杂应用写起来容易混乱。

和你提到的 React 简单对比

• React：专业前端框架，适合正式产品、复杂交互、高并发，学习曲线陡峭，需要前后端分离架构。
• Streamlit：Python 一站式快速原型工具，牺牲一部分性能与定制能力，换取极致开发速度，优先服务数据人员，主打快速验证想法。

一、什么是 Streamlit

Streamlit是一款开源 Python Web 应用框架，主打：纯 Python、零前端（不用 HTML/CSS/JS），几分钟把数据分析脚本变成可分享交互式网页。

• 创立：2019 年，现已被Snowflake收购，持续迭代；
• 目标人群：数据分析师、算法工程师、科研人员、AI 开发者；
• Slogan：Turn data scripts into shareable web apps in minutes.

核心运行机制（重中之重） 用户拖动滑块、点击按钮、输入文字 →整个 Python 脚本从上到下完整重新执行一遍，页面自动刷新。 这是它最简单、同时也是最容易踩坑的底层模型。

二、优缺点

✅ 优点

1. 极低学习门槛，API 极度简洁，会 Python 就能上手；
2. 原生适配 Pandas、NumPy、Matplotlib、Plotly、PyTorch、LangChain；
3. 内置大量 UI 组件：表格、图表、文件上传、聊天框、侧边栏；
4. 开发热重载：保存代码浏览器自动刷新；
5. 部署方案丰富：本地局域网、Streamlit Cloud 免费托管、服务器 Docker 部署；
6. 支持多页面应用、会话状态、缓存、表单、回调函数。

❌ 局限性（适合快速原型，不适合大型生产系统）

1. 全脚本重跑模型，不加缓存极易出现重复加载数据、重复推理；
2. 默认单进程，不适合超高并发公网正式产品；
3. 自定义前端样式麻烦，复杂交互（拖拽、实时协同、复杂动画）实现困难；
4. 浏览器每个标签独立会话，会话状态不能跨标签共享；
5. 免费云平台有访问时长、内存、休眠限制。

三、典型适用场景

✅ 适合

• 数据探索仪表盘、可视化分析工具
• ML / 大模型 Demo、算法效果演示
• 内部轻量业务工具、科研交互界面
• LangChain / Ollama 本地大模型 Web 聊天前端
• 竞赛、项目快速演示原型

❌ 不适合

• 面向海量用户的商用正式网站
• 需要复杂前端交互、高并发、实时长连接系统

四、快速开始

1. 安装

pip install streamlit # 查看版本 streamlit --version # 官方示例演示 streamlit hello

2. 最小示例 app.py

import streamlit as st # 页面全局配置（必须放在脚本最顶部！） st.set_page_config(page_title="Demo", layout="wide") st.title("第一个Streamlit应用") name = st.text_input("请输入名字") num = st.slider("选择数字", min_value=0, max_value=100) st.write(f"你好 {name}，选中数字：{num}")

3. 启动运行

streamlit run app.py # 指定端口 streamlit run app.py --server.port 8502

启动后两个地址：

• http://localhost:8501本机访问
• http://192.168.x.x:8501同一局域网手机 / 其他电脑访问

五、核心 API 分类（常用大全）

1）文本与排版

st.title("大标题") st.header("一级标题") st.subheader("二级标题") st.markdown("**加粗** *斜体* [链接](https://streamlit.io)") st.latex(r"E=mc^2") # 数学公式 st.code("import streamlit as st", language="python") st.divider() # 分割线 st.write("万能输出函数，支持文本、df、图表")

2）交互输入组件（Widgets）

# 文本 text = st.text_input("单行输入") area = st.text_area("多行文本") # 数字 val = st.number_input("数字输入", min_value=0, max_value=1000) slide = st.slider("滑动条", 0, 100, 50) # 选择 sel = st.selectbox("下拉单选", ["A","B","C"]) multi = st.multiselect("多选", ["选项1","选项2"]) check = st.checkbox("复选框") radio = st.radio("单选按钮", ["是","否"]) # 文件 upload_file = st.file_uploader("上传文件", type=["csv","xlsx"]) # 按钮与回调 def click_func(): st.info("按钮被点击") st.button("点击我", on_click=click_func)

3）布局控制

# 侧边栏：所有组件前面加 st.sidebar st.sidebar.title("侧边设置") s_val = st.sidebar.slider("侧边滑块", 0, 10) # 多列布局 col1, col2 = st.columns([2,1]) # 宽度比例2:1 with col1: st.dataframe(df) with col2: st.metric("指标", value=100, delta=5) # 空白占位（动态刷新内容） placeholder = st.empty() placeholder.info("后续可以覆盖此处内容")

4）数据与图表展示

import pandas as pd df = pd.DataFrame({"a":[1,2,3],"b":[4,5,6]}) st.dataframe(df) # 交互式可排序表格 st.table(df) # 静态表格 st.metric("销售额", 999, delta=+33) # 内置简易图表 st.line_chart(df) st.bar_chart(df) st.area_chart(df) # 支持第三方图表 import plotly.express as px fig = px.scatter(df, x="a", y="b") st.plotly_chart(fig)

5）消息、等待组件

st.info("提示信息") st.success("成功") st.warning("警告") st.error("错误") # 耗时操作加载动画 with st.spinner("计算中，请稍候..."): import time time.sleep(2) st.success("完成！") progress = st.progress(0)

6）聊天界面（新版原生支持）

with st.chat_message("user"): st.write("你好") with st.chat_message("assistant"): st.write("我是AI助手") prompt = st.chat_input("输入消息...")

六、三大高级核心机制【进阶必学】

1. 缓存 Cache（解决重复执行痛点）

每次交互重跑脚本，加载大文件、训练、API 请求会重复执行，使用缓存装饰器。

@st.cache_data（最常用）

适合：返回可序列化数据（DataFrame、列表、字符串、API 结果）

@st.cache_data(ttl=3600) # ttl缓存有效期，单位秒 def load_csv(): df = pd.read_csv("data.csv") return df df = load_csv()

@st.cache_resource

适合：不可序列化的长连接 / 模型对象数据库连接、LLM 模型、Ollama 实例、大权重模型

@st.cache_resource def get_llm(): from langchain_ollama import OllamaLLM return OllamaLLM(model="qwen2.5") model = get_llm()

不要使用旧版@st.cache，已经废弃！

2. Session State 会话状态（保存变量）

每次重跑脚本，普通变量会重置；st.session_state用于保存当前浏览器会话的变量。

# 初始化 if "count" not in st.session_state: st.session_state.count = 0 if st.button("+1"): st.session_state.count += 1 st.write("计数：", st.session_state.count) # 两种读写方式 st.session_state["key"] = 123 st.session_state.key = 123

搭配按钮on_click回调函数，实现复杂状态逻辑。

3. 多页面应用 Multipage

目录结构，自动生成左侧导航栏

main.py # 首页 pages/ 01_数据概览.py 02_模型预测.py 03_聊天机器人.py

直接运行streamlit run main.py，自动识别 pages 文件夹。

七、部署方案汇总

方案 1：本地局域网分享（最简单）

启动后把 Network URL 发给局域网内同事。

方案 2：Streamlit Community Cloud（免费首选）

条件：GitHub 账号 流程：

1. 代码上传 GitHub 仓库；
2. 新建requirements.txt写明所有依赖；
3. 登录 share.streamlit.io，关联仓库一键部署；

限制：长时间无访问应用会休眠，内存有限，公开应用无法放敏感密钥。

方案 3：云服务器部署（阿里云 / 腾讯云）

常用方式：

1. 直接后台运行 + PM2 进程守护；
2. Docker 容器打包；
3. 搭配 Nginx 反向代理、域名、HTTPS。

方案 4：Snowflake Streamlit（企业付费）

私有化、私有应用、数据库原生打通，适合企业场景。

八、常见踩坑清单

1. st.set_page_config()必须脚本第一行，前面不能有任何输出；
2. 组件 label、key 不能随意修改，否则控件状态重置；
3. 循环内动态创建控件务必指定唯一key=；
4. 敏感 API 密钥不要硬编码代码，使用环境变量；
5. 大文件上传上限默认较小，可修改.streamlit/config.toml调大；
6. 不要在循环里大量使用st.empty()频繁刷新，容易卡顿；
7. 免费云平台尽量把模型加载放入@st.cache_resource，避免每次唤醒重加载。

九、同类框架横向简单对比

表格