основные понятия и терминология

На какое-то время отвлекшись от мира моделей и алгоритмов, и на этот раз я буду глубоко изучать Docker в серии блогов.

Но прежде чем перейти к Docker, давайте предположим реальный сценарий:

Вы разработчик, который только что закодировал новое приложение/сервис в вашей локальной среде. Приложение отлично выглядит и отлично работает в вашей локальной среде, и следующим этапом является перенос этого кода в тестовую среду и, наконец, в производственную среду.

Как только вы переместите свой код в Staging,

Код ломается.

Вы, наверное, миллион раз слышали эту строчку от разработчиков:

«Но это сработало в моей системе, почему здесь не получается»

Вы знаете, почему он сломался в Staging, но не в вашей локальной среде? Дело в том, что в основном зависимости, необходимые для вашего приложения, были разными в двух местах. Например, у вас в системе был Python 3.8, и, следовательно, приложение было разработано с использованием версии 3.8, но в Staging это 3.6, и, следовательно, некоторые функции отсутствуют, что приводит к неудаче.

Можно ли этого избежать? Например, я создаю приложение/сервис, тестирую его только один раз в жизни (в любой среде) и развертываю в любом месте, независимо от среды. Одно из основных преимуществ, которое мы получим, заключается в том, что после того, как функция будет протестирована в любом месте, ее можно будет без проблем развернуть на производственных серверах, что позволит сэкономить большую часть полосы пропускания при тестировании в различных средах. Хотя, помимо тестирования, такой инструмент может быть полезен во многих отношениях.

Docker делает то, что мы хотели получить в приведенном выше обсуждении.

Следуя словарному значению Dock, он говорит:

акватория в порту, где грузы погружаются на суда и выгружаются, или корабли ремонтируются

Несколько замечаний по определению и фото на обложке/логотипу Docker:

• Какой тип товара? Любые !!
• Как? используя огромные контейнеры (слева от вас)
• Куда доставить? любой другой док, независимо от штата или страны

• Товары → любые виды услуг/приложений на любом языке, будь то Python, Java или Go
• Металлические кубовидные контейнеры с товарами → автономный пакет, инкапсулирующий сервис/приложения и необходимые зависимости, которые необходимо транспортировать вместе как единую развертываемую единицу.
• Доки → любая среда, такая как Staging, Production, ПК ваших друзей и т. д., где можно развернуть службу/приложение.

Итак, поскольку мы теперь знаем, что такое Docker, давайте очень быстро рассмотрим несколько ключевых понятий:

• Изображения: это строительные блоки Docker, которые включают в себя рецепт создания контейнера Docker. Итак, если мы хотим разработать веб-приложение с использованием Flask, изображение будет содержать набор инструкций для включения Python, Flask, переменной среды, команд, необходимых для запуска приложения, кода приложения и т. д.

• Контейнеры: работающий экземпляр любого образа в любой среде называется контейнером, т. е. если вы создали образ для запуска веб-приложения на основе Flask, когда этот образ развертывается в любой среде, работающий экземпляр называется контейнером. Мы можем запускать несколько контейнеров, используя один и тот же образ в одной или разных средах.
• Сервер и клиент Docker: сервер Docker — это процесс-демон (процесс, работающий в качестве фонового процесса в среде после установки Docker), который принимает команды от клиента Docker через интерфейс командной строки или приложение Docker. Docker Client — это способ, с помощью которого разработчики передают команды Docker Server для запуска контейнера, создания образа, удаления контейнеров и т. д.
• Dockerfile : это файл, выполняющий всю магию. Он включает в себя инструкции, необходимые для создания образа. Имя файла остается неизменным независимо от сервиса/приложения, которое вы хотите создать. Обратите внимание, что расширение не используется
• Реестры : вы можете где-то хранить созданные вами образы. Реестры — это место, которое вы ищете, которое может быть как публичным, так и частным.

Вы кодируете свое приложение (как обычно делаете в VS Editor, PyCharm и т. д.)

Разработайте Dockerfile в корневой папке написанного вами приложения.

Клиент Docker дает команду серверу Docker для создания образа, используя инструкции в файле Dockerfile.

Как только образ создан, он готов к развертыванию, и клиент Docker дает серверу Docker команду запустить контейнер, чтобы увидеть живую версию вашего образа.

Если хотите, отправьте его в публичный/частный реестр.

И вуаля!!

теперь вы запускаете контейнерную службу / приложение в своей системе, которую можно легко развернуть, скажем, на ПК ваших друзей, в тестовой среде, в производственной среде, везде ведущей себя одинаково.

Это все хорошо, но

Почему следует использовать Docker?

• Это трассирующая пуля, имеющая легкий вес. Удивительно, но запуск локального приложения в любой среде может занять несколько секунд.
• Разработчики могут больше сосредоточиться на логических проблемах, а не на проблемах среды своего приложения. Так что не более: «Но это сработало на моей системе, почему здесь не получается?»
• Тестирование любого приложения становится очень быстрым.
• Поскольку он рекомендует (но без жестких правил) запускать один процесс в одном контейнере, это помогает продвигать архитектуру микросервисов, которая может быть полезна при отладке или масштабировании. Поэтому, если вам нужно запустить серверную часть, подключающуюся к какой-либо БД, Docker предлагает хранить две службы отдельно в разных контейнерах (но также можно хранить вместе), что упрощает управление службами.

Чем Docker отличается от виртуальных машин?

Чтобы ответить на этот вопрос, нам нужно немного коснуться системной памяти компьютера, разделенной на 2 основных раздела:

• Пользовательское пространство: пространство, в котором запускаются обычные программы/процессы.
• Пространство ядра: пространство, в котором работает ядро ​​ОС, управляющее процессами, работающими в пользовательском пространстве.

Для любых практических вещей я нашел это репо на месте:https://github.com/docker/labs/tree/master/beginner

Спасибо Нэнси Гупта за помощь.

Для моей предыдущей серии блога:

• Трансформеры в НЛП (4 части)
• Уменьшение размеров (3 части)
• Алгоритмы НЛП (7 частей)
• Основы обучения с подкреплением (5 частей)
• Начиная с временных рядов (7 частей)
• Обнаружение объектов с помощью YOLO (3 части)
• Tensorflow для начинающих (концепции + примеры) (4 части)
• Статистика для начинающих (4 части)