docker 学习笔记 docker容器前端

一 docker 是什么？

Docker 将应用程序与该程序的依赖，打包在一个文件里面。运行这个文件，就会生成一个虚拟容器。程序在这个虚拟容器里运行，就好像在真实的物理机上运行一样。有了 Docker，就不用担心环境问题。 docker容器其实就是拉取相应的镜像并启动它，可以理解成以前用过的虚拟机，但与虚拟机相比优势更大，那么这个容器便是一个基于Linux的独立的"操作系统"了。容器技术使用宿主操作系统的底层内核，比如Ubuntu的镜像文件仅包含必要的依赖，整体大小非常小。相对于完整的Ubuntu系统镜像的2GB+的大小，Ubuntu容器的镜像文件仅74MB。总体来说，Docker 的接口相当简单，用户可以方便地创建和使用容器，把自己的应用放入容器。容器还可以进行版本管理、复制、分享、修改，就像管理普通的代码一样。

二、ubuntu 安装docker

先决条件操作系统要求要安装 Docker Engine，您需要以下 Ubuntu 版本之一的 64 位版本： Ubuntu Hirsute 21.04 Ubuntu Groovy 20.10 Ubuntu 焦点 20.04 (LTS) Ubuntu 仿生 18.04 (LTS) Docker Engine 在x86_64（或amd64）armhf、和arm64架构上受支持。

1、卸载旧版本

旧版本被称为docker，docker.io或docker-engine。如果安装了这些，请卸载它们： sudo apt-get remove docker docker-engine docker.io containerd runc 卸载新版本的方法:新版本的名字叫:docker-ce sudo apt-get --purge remove docker-ce 在/var/lib/docker/下，包括图像、容器、卷和网络，将被保留，如果想删除： sudo rm -rf /var/lib/docker

2、安装方法

您可以根据需要以不同方式安装 Docker Engine： 1、大多数用户设置 Docker 的存储库并从中安装，以便于安装和升级任务。这是推荐的方法。 2、一些用户下载 DEB 包并手动安装并完全手动管理升级。这在诸如在无法访问互联网的气隙系统上安装 Docker 等情况下非常有用。 3、在测试和开发环境中，一些用户选择使用自动化的便捷脚本来安装 Docker。

2.1、使用存储库安装

在新主机上首次安装 Docker Engine 之前，您需要设置 Docker 存储库。之后，您可以从存储库安装和更新Docker。

2.1.1 、设置存储库

1、更新apt包索引并安装包以允许apt通过 HTTPS 使用存储库： sudo apt-get update sudo apt-get install \ apt-transport-https \ ca-certificates \ curl \ gnupg \ lsb-release 2、添加Docker官方的GPG密钥： curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg 3、使用以下命令设置稳定存储库。 echo \ "deb [arch=amd64 signed-by=/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu \ $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

2.1.2 、安装 Docker 引擎

sudo apt-get update sudo apt-get install docker-ce docker-ce-cli containerd.io

2.1.3 、要安装特定版本的 Docker Engine，请在 repo 中列出可用版本，然后选择并安装一种：

列出您的存储库中可用的版本： apt-cache madison docker-ce 使用版本字符串安装特定版本，例如5:18.09.1~3-0~ubuntu-xenial sudo apt-get install docker-ce= docker-ce-cli= containerd.io

2.1.4、通过运行hello-world 映像验证 Docker Engine 是否已正确安装

sudo docker run hello-world此命令下载测试映像并在容器中运行它。当容器运行时，它会打印一条信息性消息并退出

3、升级 Docker 引擎

要升级 Docker Engine，首先运行sudo apt-get update，然后按照安装说明，选择要安装的新版本。

4、docker 支持gpu

为了在docker中支持GPU,需要安装NVIDIA Container Toolkit

4.1、配置nvidia-docker源

distribution=$(. /etc/os-release; echo $ID$VERSION_ID) curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

4.2、安装nvidia-container-toolkit并重启docker

sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit sudo systemctl restart docker

4.3、使用最新的CUDA官方图测试nvidia-smi

sudo docker run --gpus all nvidia/cuda:10.0-base nvidia-smi

三、一些基本命令 1、显示docker版本信息

命令：docker version

2、镜像
1、查看本机中所有的docker镜像

命令：docker images REPOSITY代表所在仓库，TAG表示该镜像标签（版本）

2、docker 拉取镜像

docker image pull 镜像名（python:3.8.3）

3、docker 删除镜像

docker rmi [image]或者：docker image rm [image] 支持的子命令如下： -f, -force: 强制删除镜像，即便有容器引用该镜像； -no-prune: 不要删除未带标签的父镜像；

4、docker 构建镜像

在Dockerfile同级目录下执行：sudo docker build -t 镜像名称 .默认使用缓存，可以通过传递--no-cache=True给docker build关闭缓存。如果你要对指令进行更改，那么接下来的每一层都将频繁地重新构建。要利用缓存，请在 Dockerfile 中尽可能低地放置可能更改的指令。

5、docker 给镜像重命名

docker tag 镜像ID 镜像名称:镜像版本

6、docker 运行镜像，生成容器,并将容器目录挂载到本地目录

sudo docker run -it --name 容器名称 -v 本地目录:/容器目录 -p 5009:5000 镜像名称:版本 [命令][/bin/bash]运行需要使用gpu的镜像 docker run -it --name 容器名称 -v 本地目录:/容器目录 --gpus all -p 5009:5000 镜像名称:版本注： -p 端口映射，可以使用多个-p来映射多个端口，例如：-p 5000:5000 -p 10001:10001 -v 目录映射，可以使用多个-v来映射多个目录。

7、docker 本地镜像的导出、导入

导出镜像 1、使用 docker export 命令根据容器 ID 将镜像导出成一个文件,对应 docker import。 docker export f299f501774c > contain.tar 2、使用 docker save 命令根据镜像ID 将镜像保存成一个文件，对应 docker load。 docker save 0fdf2b4c26d3 > hangge_server.tar 导入镜像 1、使用 docker import 命令导入镜像文件。 docker import - newImage < contain.tar 2、使用 docker load 命令载入镜像文件。 docker load < contain.tar

3、容器
1、查看所有docker容器

命令：docker ps -a CONTAINER ID表示该容器在Docker中的唯一ID，稍后的相关操作可以使用该ID进行， IMAGES表示该容器使用的镜像，NAMES表示我们给当前镜像起的花名，与ID一样是唯一的。

2、进入容器

前提是容器已经运行起来了。命令：docker exec -it 【CONTAINER ID】 /bin/bash

3、退出容器

exit 或者 Ctrl+P+Q

4、docker 删除容器

docker rm 容器id

5、docker容器开机自动启动（在宿主机重启后或者Docker服务重启后)

在Docker run的时候使用--restart参数来设置。no - container：不重启 on-failure - container:退出状态非0时重启 always:始终重启docker run -it --name 容器名称 --gpus all -p 5009:5000 --restart=always 镜像名称:版本

6、设置Docker容器日志文件大小限制

1.新建/etc/docker/daemon.json，若有就不用新建了。添加log-dirver和log-opts参数，样例如下： # vim /etc/docker/daemon.json{ "log-driver":"json-file", "log-opts": {"max-size":"500m", "max-file":"3"} }max-size=500m，意味着一个容器日志大小上限是500M， max-file=3，意味着一个容器有三个日志，分别是id+.json、id+1.json、id+2.json。2.然后重启docker的守护线程命令如下： systemctl daemon-reload systemctl restart docker注意：设置的日志大小规则，只对新建的容器有效！！！

四、制作镜像 1、编写Dockerfile

常用命令： FROM 基础镜像名称（指定基础镜像，必须为第一个命令，只能有一个基础镜像） MAINTAINER: 维护者信息 RUN：构建镜像时执行的命令 ADD：将本地文件添加到容器中，tar类型文件会自动解压(网络压缩资源不会被解压)，可以访问网络资源，类似wget COPY：功能类似ADD，但是是不会自动解压文件，也不能访问网络资源 WORKDIR：工作目录，类似于cd命令 CMD：构建容器后调用，也就是在容器启动时才进行调用。 ... 详见：https://www.cnblogs.com/panwenbin-logs/p/8007348.html例子： FROM cudapythonimage ADD ./foodparser_paddle /home/foodparser WORKDIR /home/foodparser/IvaFoodParserService RUN pip3 install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ RUN apt update RUN echo y | apt install libgl1-mesa-glx CMD ["python", "/home/foodparser/IvaFoodParserService/server.py"]经验：当python项目中用到opencv时，出现opencv库错误时，可用： RUN apt update RUN echo y | apt install libgl1-mesa-glx

2、制作CUDA+Python基础镜像

1、由于项目要使用GPU，所以需要docker支持GPU，详见二-4。 2、接着需要安装nvidia驱动，这需要根据自己显卡安装相应的驱动，网上有很多类似教程，此处不再介绍，推荐一个链接https://blog.csdn.net/wf19930209/article/details/81877822-t 3、不要以为这样就可以安心的使用gpu了，你的镜像还必须要有cuda才行，这也很简单，去dockerhub上找到和自己tensorflow相对应的cuda版本的镜像，再基于该镜像生成自己的镜像就可以轻松使用gpu了。这里需要额外多说一句，如果你的docker 本身就基于了某个镜像（例如基于本公司仓库的镜像），docker是不允许from两个镜像的，那么就得自己制作基础镜像啦。

2.1、拉取cuda镜像

# 查看Linux系统版本 lsb_release -a # 查看Linux内核版本 cat /proc/version # 查看gcc 版本 gcc -v # 查看显卡型号 lspci | grep -i nvidia # 查看显卡驱动 nvidia-smi # 查看cuda 版本 nvcc -V # 查看cudnn 的版本 cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2 # 查看 nvidia-container-toolkit 版本 dpkg -l | grep nvidia-container-toolkitdockerhub 上搜索cuda 镜像根据自己的cuda 版本，cudnn 版本，操作系统环境选择镜像，并pull到本地docker pull nvidia/cuda:10.1-cudnn7-devel-ubuntu18.04

2.2、运行cuda镜像

docker run -it --name cudapython --gpus all nvidia/cuda:10.1-cudnn7-devel-ubuntu18.04

2.3、更改安装源为国内源

在linux主机的工作目录编写 sources.list：vim sources.list deb http://mirrors.aliyun.com/ubuntu/ bionic main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ bionic main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ bionic-security main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ bionic-security main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ bionic-updates main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ bionic-updates main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ bionic-proposed main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ bionic-proposed main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ bionic-backports main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ bionic-backports main restricted universe multiversedocker cp sources.list cudapython:/etc/apt/sources.list# （主机中执行） apt-key adv --keyserver keyserver.ubuntu.com --recv-keys 3B4FE6ACC0B21F32 # （容器中执行） apt-get update# （容器中执行） apt-get upgrade备用源：https://pypi.tuna.tsinghua.edu.cn/simple scipy==1.7.1 另一种方法：一键更改： wget -O /etc/apt/sources.listhttp://mirrors.cloud.tencent.com/repo/ubuntu18_sources.list 更新缓存： apt-get clean all apt-get update

2.4、安装Python（容器中执行）

# 安装相关软件 apt install build-essential zlib1g-dev libncurses5-dev libgdbm-dev libnss3-dev libssl-dev libreadline-dev libffi-devlibsqlite3-dev wgetapt-get -y install vimgcc make automake libtool zlibc aptitudeapt-get -y install libglib2.0-dev libsm6 libxrender1aptitude install libxext-devtk-devecho y | apt install libgl1-mesa-glx# 下载并解压 Python 源码（Gzipped source tarball） cd /root && wget https://www.python.org/ftp/python/3.8.3/Python-3.8.3.tgz tar -xf Python-3.8.3.tgz# 安装 Python cd Python-3.8.3 ./configure--prefix=/usr/local --with-ssl# 生成 Makefile make && make install# 编译并安装python升级pip到指定版本： python -m pip install --upgrade pip==21.0.1建立软连接 ln -s /usr/local/bin/python3.8 /usr/bin/python3 ln -s /usr/local/bin/pip3.8 /usr/bin/pip3

2.5 安装项目所需的python库

1、将项目所需的库打包到requirements.txt中 2、docker cp requirements.txt cudapython:/home/requirements.txt# （主机中执行） 3、pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple #（容器中执行）说明：如果将来更新程序，需要新的库文件，可以在Dockerfile中用pip 安装。至此，基础容器已经做好啦

2.6 将cudapython基础容器打包成镜像

1、将容器打包：docker export 容器Id > cudapythondevel.tar 2、导入镜像：docker import - cudapythondevelimage < cudapythondevel.tar

2.7基于cudapythondevel基础镜像制作项目镜像

1、编写Dockerfile FROM cudapythondevelimage ADD ./foodparser_paddle /home/foodpaddle WORKDIR /home/foodpaddle/IvaFoodParserService CMD ["python3", "/home/foodpaddle/IvaFoodParserService/server.py"] 2、将Dockerfile 和foodparser_paddle 放在同级目录下 3、构建镜像： docker build -t 镜像名称 .

2.8 运行镜像生成容器

docker run -it --name 容器名称 -v 本地目录:/容器目录 --gpus all -p 5009:5000 镜像名称:版本docker run -it --name foodpaddlecontain -v /home/xzx/foodparser_paddle:/home/foodpaddle --gpus all --restart=always --env HOST_MAC=$(ip link show eno1 | awk '/ether/ {print $2}')-p 5000:5000 --log-opt max-size=10m --log-opt max-file=1 foodpaddle:v1.0.0docker run -it --name foodpaddlecontain5002 -v /home/xzx/foodparser_paddle5002:/home/foodpaddle --gpus all --restart=always --env HOST_MAC=$(ip link show enp0s31f6 | awk '/ether/ {print $2}')-p 5002:5000 foodpaddle:v1.0.0docker run -it --name foodpaddlecontain5002 -v /home/xzx/foodparser_paddle5002:/home/foodpaddle --gpus all --restart=always --env HOST_MAC=$(ip link show enp0s31f6 | awk '/ether/ {print $2}')-p 5002:5000 --log-opt max-size=10m --log-opt max-file=1 foodpaddle:v1.0.0