线性约束是一类常见的优化问题。在Python中，可以使用线性规划库来解决这类问题。下面就来介绍一下如何使用Python求解线性约束。

首先，我们需要导入线性规划库。Python中有许多线性规划库可供选择，如scipy.optimize、cvxopt等，这里以scipy.optimize为例。

import scipy.optimize as opt

接着定义目标函数，这里以最小化目标为例：

obj = [2, 3]  # 目标系数
obj_func = lambda x: obj[0]*x[0] + obj[1]*x[1]  # 目标函数

定义线性约束条件：

A = [[-1, 2], [1, 2]]
b = [4, 9]

其中A表示约束矩阵，b表示约束值。这个约束条件的意思是-x1+2x2<=4且x1+2x2<=9。

然后，在得到目标函数和约束条件后，我们就可以调用线性规划库中的函数求解了。这里使用的是linprog函数：

x_bounds = ((0, None), (0, None))  # x1、x2变量的范围，None表示不限制
res = opt.linprog(c=obj, A_ub=A, b_ub=b, bounds=x_bounds)

其中c表示目标系数，A_ub表示不等式约束矩阵，b_ub表示不等式约束值，bounds表示变量范围。调用结果res中包含了最优解和最优值。

综上所述，使用Python求解线性约束可以借助线性规划库，通过定义目标函数和约束条件以及调用linprog函数来实现。