N8n-node-python 是一个用于在 n8n 工作流中执行 Python 代码的自定义节点插件。它通过集成 Python 环境，突破了 n8n 原生基于 Node.js 的限制，使开发者能够直接在可视化工作流中调用 Python 库进行数据分析、机器学习、科学计算等复杂任务。其核心原理是利用 Node.js 的子进程或 IPC 机制与 Python 解释器通信 [ref_1][ref_4]。 ### 一、 插件安装与配置 由于 `n8n-node-python` 并非 n8n 官方核心节点，通常需要以自定义节点（Custom Node）的形式进行安装和集成。 #### 1. 安装方式 主要有两种方式：通过 npm 安装社区包或在 n8n 项目目录中手动集成。 **方式一：通过 npm 安装（推荐）** 在 n8n 项目的根目录下执行以下命令： ```bash npm install n8n-nodes-python ``` 安装后，n8n 在启动时会自动加载 `node_modules` 目录下的自定义节点 [ref_4]。 **方式二：手动集成插件文件** 1. 在 n8n 的用户目录（通常为 `~/.n8n/custom`）或项目根目录的 `custom` 文件夹中，创建节点插件目录。 2. 将 `n8n-node-python` 的源代码（包括 `package.json`、节点描述文件 `*.node.js` 或 `*.node.ts`）复制到该目录。 3. 确保 `package.json` 中的 `n8n` 部分配置正确，例如： ```json { "name": "n8n-nodes-python", "version": "1.0.0", "n8n": { "nodes": [ "dist/nodes/Python/Python.node.js" ] }, "scripts": { "build": "tsc && gulp build:icons" } } ``` 4. 重启 n8n 服务，节点将出现在节点面板中 [ref_4]。 #### 2. 系统环境配置 `n8n-node-python` 节点需要在运行 n8n 的服务器或容器中安装 Python 环境。 * **宿主机安装**：确保系统已安装 Python 3.6+ 和 `pip`。节点通常通过命令如 `python3 -c` 或 `python -c` 来执行代码。 * **Docker 容器安装**：如果 n8n 通过 Docker 运行，需要在 Dockerfile 中基于 n8n 镜像安装 Python。 ```dockerfile # 使用官方n8n镜像作为基础 FROM n8nio/n8n # 切换到root用户安装系统包 USER root # 安装Python3和pip RUN apt-get update && apt-get install -y python3 python3-pip # 切换回n8n用户 USER node ``` 构建并运行新的镜像后，Python 节点即可使用 [ref_1][ref_6]。 ### 二、 节点功能与使用详解 安装成功后，在 n8n 编辑器的节点面板中搜索 “Python”，即可找到该节点。其核心功能是执行一段 Python 脚本，并处理输入/输出。 #### 1. 节点参数配置 典型的 `Python` 节点配置界面包含以下关键字段： | 参数项 | 说明 | 示例/注意事项 | | :--- | :--- | :--- | | **Python Code** | 需要执行的 Python 代码主体。 | 可以直接编写代码，也支持通过 `{{ }}` 引用上游节点的输出数据。 | | **Script Location** | 代码来源。可选 “Inline” (内联) 或 “File” (文件)。 | 通常选择 “Inline” 直接在界面编写。 | | **Arguments** | 传递给 Python 脚本的命令行参数。 | 可在代码中通过 `sys.argv` 获取。 | | **Working Directory** | Python 子进程的工作目录。 | 默认为 n8n 进程的工作目录。 | | **Python Path** | Python 解释器的路径。 | 默认为 `python3`。如果系统命令是 `python`，则需修改。 | | **Return Type** | 脚本返回值的处理方式。如 “JSON”、“String”。 | 选择 “JSON” 便于 n8n 后续节点处理结构化数据。 | #### 2. 数据输入与输出 * **输入数据**：上游节点的输出数据可以通过 n8n 表达式传递给 Python 代码。在 “Python Code” 区域，使用 `{{ $json['字段名'] }}` 或 `{{ $('上游节点名').item.json['字段名'] }}` 来获取值，并赋值给 Python 变量。 * **输出数据**：Python 脚本打印到标准输出（stdout）的最后一行内容会被该节点捕获，并作为本节点的输出项（Item）。为了输出结构化数据，通常建议在脚本末尾将结果以 JSON 格式打印出来。 #### 3. 基本使用示例 下面是一个简单的自动化工作流示例，该工作流使用 **Schedule Trigger** 节点定时触发，通过 **HTTP Request** 节点获取天气 API 数据，然后使用 **Python** 节点处理数据，最后通过 **Email** 节点发送邮件 [ref_6]。 1. **Schedule Trigger 节点**：配置每天上午9点触发。 2. **HTTP Request 节点**：调用一个公开的天气 API（例如 `http://wttr.in/Beijing?format=j1`）获取北京天气的 JSON 数据。 3. **Python 节点配置**： * **Python Code** 区域编写如下代码，用于提取并格式化温度信息： ```python import json import sys # 尝试从标准输入读取n8n传递的JSON数据（部分节点实现方式） # 更通用的方式是通过表达式将数据作为变量嵌入 # 假设上游HTTP节点返回的数据已通过表达式 `{{ $json }}` 整体传递过来，并赋值给变量 `input_data` # 以下代码演示从通过表达式传递的变量中处理数据 # 从命令行参数获取数据（如果节点实现是通过参数传递） # data_json = sys.argv[1] if len(sys.argv) > 1 else '{}' # input_data = json.loads(data_json) # 本例假设input_data已通过n8n表达式绑定，直接使用。 # 例如，在节点配置的“Parameters”或代码中，使用 `input_data = {{ $json }}` # 实际在n8n界面中，代码可能看起来像这样： # weather_data = {{ $json }} # 但为了示例清晰，我们模拟一个数据对象： # 【注意】在真实n8n节点中，以下 `weather_data` 应替换为通过 `{{ }}` 表达式从上游节点获取的值。 # 例如：weather_data = {{ $json }} # 模拟数据（实际使用时删除） weather_data = { "current_condition": [{ "temp_C": "22", "weatherDesc": [{"value": "Sunny"}], "humidity": "65" }] } # 提取信息 temp_c = weather_data['current_condition'][0]['temp_C'] description = weather_data['current_condition'][0]['weatherDesc'][0]['value'] humidity = weather_data['current_condition'][0]['humidity'] # 生成报告文本 report = f"当前天气：{description}\n温度：{temp_c}°C\n湿度：{humidity}%" # 输出结果，n8n会捕获这个输出 print(json.dumps({ "report": report, "temperature": temp_c, "condition": description })) ``` * 在实际配置时，需要将代码中的 `weather_data = {...}` 替换为从上游节点获取的真实数据，例如使用 n8n 表达式：`weather_data = {{ $json }}`。这要求节点实现支持将表达式求值结果注入到 Python 运行环境 [ref_4]。 4. **Email 节点**：配置 SMTP 服务器，并将 **Python** 节点的输出 `{{ $json["report"] }}` 作为邮件正文发送。 ### 三、 高级应用与注意事项 #### 1. 依赖管理 如果 Python 脚本需要第三方库（如 `pandas`, `numpy`, `requests`），必须在运行 n8n 的系统环境中预先安装。对于 Docker 部署，需要在构建镜像时安装。 ```dockerfile USER root RUN pip3 install pandas requests USER node ``` #### 2. 错误处理与调试 * **错误输出**：Python 脚本中的异常和打印到 `stderr` 的内容通常会被节点捕获，并反映在节点的执行日志中。在 n8n 编辑器中点击节点，查看 “Execution” 选项卡可以详细查看标准输出和错误。 * **代码调试**：建议先在本地或简单的 Python 环境中测试脚本逻辑，确保无误后再集成到 n8n 工作流中。可以在 Python 代码中增加 `try...except` 块，并将错误信息以特定格式打印，便于 n8n 后续节点进行错误分支处理。 #### 3. 性能与安全性 * **性能**：每次节点执行都会启动一个 Python 子进程，对于高频或实时性要求高的工作流，这可能带来开销。对于复杂计算，应考虑将计算密集型任务部署为独立的 API 服务，n8n 通过 **HTTP Request** 节点调用 [ref_4]。 * **安全性**：**允许在 n8n 中执行任意 Python 代码存在安全风险**，尤其是在多用户或公开访问的部署中。应确保 n8n 实例的访问权限受到严格控制。对于不受信任的代码，应考虑在沙箱环境（如 Docker 容器）中运行 n8n。 #### 4. 与 Code Node 对比 n8n 内置了 **Code** 节点，可以执行 JavaScript/TypeScript 代码。`Python` 节点是其功能的强力补充，主要优势在于直接利用庞大的 Python 生态系统。选择依据如下表所示： | 特性 | **Python 节点** | **Code (JS) 节点** | | :--- | :--- | :--- | | **语言** | Python | JavaScript/TypeScript | | **生态** | 强大的数据科学、AI、爬虫库 | Node.js 生态，原生集成 n8n 上下文 | | **性能** | 进程间调用，有开销 | 进程内执行，速度快 | | **适用场景** | 数据分析、机器学习、科学计算、使用特定 Python 库 | 快速数据转换、逻辑控制、直接操作 n8n 内部项 | 通过 `n8n-node-python`，开发者可以无缝地将 Python 的强大功能嵌入到可视化自动化流程中，极大地扩展了 n8n 在数据处理和智能分析方面的能力 [ref_1][ref_4][ref_6]。