在自动化测试、日志处理或数据清洗等场景中，我们常常需要把同一个目录下的多个Python脚本依次跑一遍。如果靠手工在终端里一条条输入python xxx.py，不仅效率低下，还容易因为漏跑或顺序错乱引发问题。掌握用Python命令批量执行指定目录脚本的方法，是提升运维和开发效率的基础能力。
为什么需要批量运行目录下的脚本
实际项目里，一个文件夹可能存放了按日期或功能拆分的多个独立脚本，例如每日报表生成、不同数据源的抓取程序等。它们彼此之间没有强耦合，但都需要每天定时跑一次。如果每次都人工执行，既浪费时间又不可靠。
另外，在持续集成环境中，我们往往希望在代码提交后自动运行某个目录里的全部校验脚本。此时用一条命令或一个小调度程序完成批量执行，比把每个脚本名写死在配置里更灵活，也更容易应对目录中脚本增减的变化。
方法一：使用glob配合subprocess调用解释器
最直观的思路是用glob找到目录下所有的py文件，然后对每个文件调用Python解释器。subprocess模块可以启动子进程并执行系统命令，这样每个脚本都在独立的进程里运行，互不干扰。
这种方式的优点是隔离性好，某个脚本崩溃不会影响其他脚本；缺点是无法直接在当前进程里共享变量，且频繁启动解释器会有一定性能开销。下面的示例展示了如何遍历目录并执行：
import glob
import subprocess
import sys
import os
# 指定要批量执行的脚本目录
script_dir = "/home/user/scripts"
# 匹配目录下所有以.py结尾的文件
py_files = glob.glob(os.path.join(script_dir, "*.py"))
# 按文件名排序，保证执行顺序可控
py_files.sort()
for file_path in py_files:
print("正在执行: " + file_path)
# 调用当前Python解释器运行该脚本
result = subprocess.run([sys.executable, file_path], capture_output=True, text=True)
if result.returncode == 0:
print("执行成功，输出:")
print(result.stdout)
else:
print("执行失败，错误信息:")
print(result.stderr)
上面的代码通过sys.executable获取当前使用的Python路径，避免环境中多个版本混淆。capture_output可以捕获子进程的输出，方便集中记录日志。如果脚本需要特定参数，可以在列表里继续追加。
要注意的是，如果脚本里使用了相对路径读取文件，由于子进程的工作目录不会自动切换，最好在脚本内部用os.path.dirname(__file__)定位自身所在目录，或者在subprocess.run中指定cwd参数。
方法二：使用importlib动态导入并执行
如果不希望反复启动新进程，也可以把脚本当作模块动态导入到当前Python进程里。importlib.util模块提供了从文件路径加载模块的能力，导入后可以直接调用其中的main函数或顶层代码。
这种方案进程内开销小、速度快，适合脚本之间需要共用配置或内存数据的场景。但风险在于某个脚本的顶层代码若抛出未捕获的异常，可能导致整个批量任务中断，因此建议用try包裹。
import importlib.util
import glob
import os
script_dir = "/home/user/scripts"
py_files = sorted(glob.glob(os.path.join(script_dir, "*.py")))
for file_path in py_files:
module_name = os.path.splitext(os.path.basename(file_path))[0]
spec = importlib.util.spec_from_file_location(module_name, file_path)
module = importlib.util.module_from_spec(spec)
try:
spec.loader.exec_module(module)
print(module_name + " 导入并执行完成")
# 如果脚本定义了main函数，可显式调用
if hasattr(module, "main"):
module.main()
except Exception as e:
print("执行 " + module_name + " 出错: " + str(e))
这段代码利用spec_from_file_location根据文件路径构造模块规格，再由其loader执行模块代码。由于模块名取自文件名，需确保目录下没有重名文件，否则后导入的会覆盖先前的模块对象。
如果某些脚本只是写了一些函数并没有自动执行逻辑，可以在约定里要求每个脚本都暴露一个main入口，这样调度器就能统一调用，结构更清晰。
两种方案对比与选择
从隔离性看，subprocess方案每个脚本独立成进程，容错更强；importlib方案在同一进程，一旦解释器状态被某个脚本改坏，后续脚本可能受影响。从性能看，导入方式省去了重复初始化解释器的成本，在脚本数量大时更省时间。
如果脚本来自不可信或易出错的第三方，优先用subprocess；如果是自己写的一批轻量任务且追求速度，可用importlib。下表简要归纳差异：
| 维度 | subprocess调用 | importlib导入 |
|---|---|---|
| 进程隔离 | 强，各自独立 | 弱，同进程 |
| 执行速度 | 较慢，需启动多次 | 较快 |
| 错误处理 | 子进程退出码区分 | 需try捕获异常 |
| 适用场景 | 异构、易错脚本 | 同构、轻量任务 |
常见误区与注意事项
不少人在批量执行时会直接用os.system("python " + file_path)，这看似简单却有两个隐患：一是字符串拼接若包含空格会引发命令解析错误，二是无法方便获取执行结果和错误信息。应优先使用参数列表形式的subprocess.run。
另一个误区是忽略脚本之间的命名空间污染。用importlib时，如果不同脚本在顶层定义了同名全局变量，后导入的会覆盖前面的，导致逻辑异常。因此脚本顶层尽量只做函数定义和main守卫，核心逻辑包在函数中。
小技巧：可以在目录中放一个顺序控制文件，比如manifest.txt逐行写脚本名，批量程序按该清单执行，避免glob排序不符合业务预期。
小结
用Python命令批量运行指定目录下的脚本，核心在于动态发现文件与选择合适的执行载体。subprocess适合隔离要求高的场合，importlib适合追求效率的内部任务。理清两者差异并规避路径与命名空间陷阱，就能写出稳定可维护的批量执行工具。