在使用 Python 的早些年，为了解决 Python 包的隔离与管理 virtualenvwrapper 就成为我的工具箱中重要的一员。后来，随着 Python 3 的普及，virtualenvwrapper 逐渐被 venv 所替换。毕竟 venv 是 Python 3 的标配，优点是显而易见的。而这几年，应用场景的的复杂性越来与高，无论是开发还是部署都需要设置复杂的环境。例如使用 redis 实现消息队列，用 Psycopg 完成对于 PostgreSQL 数据库的存取等等。随之而来 Docker 就变成了程序员必不可少的常备工具。为了掌握如何将我的 Python 应用与 Docker 结合起来，就要学习他人的经验分享。于是一次又一次地看到了下面这样的 Dockerfile 例子：
Docker 提供了两种方法来创建基础镜像，一种是通过引入tar包的形式，另外一种是通过一个空白的镜像来一步一步构建，本文使用的是第二种方法，既FROM scratch
在地球科学领域也得到了广泛应用，尤其是地球科学数据处理和可视化方面，比如地球科学数据分析和可视化库Iris，应用于数值模式数据处理的wrf-python，气候数据处理库CDAT以及地球科学可视化库NCL的Python版PyNGL。
这篇文章是关于制作 Python Docker 容器镜像的最佳实践。(2022 年 12 月更新） 最佳实践的目的一方面是为了减小镜像体积，提升 DevOps 效率，另一方面是为了提高安全性。希望对各位有所帮助。
在之前的文章中，我们聊过了一些和 Faiss 相关的事情，包括如何将数据转换为向量、如何挑选索引类型、如何简单加速向量检索性能、以及如何实现简单的语义搜索功能。也曾提到会聊聊更多实际场景中向量数据库的用法，揭开所谓大厂里的核心服务的神秘面纱，比如：实现简单的搜索引擎、推荐系统、风控系统等等。
在 Docker 中高效部署 Python 应用程序始于一个看似不起眼但至关重要的步骤：选择正确的 Python 镜像。这一选择可以显著影响项目的性能、安全性和兼容性，本文旨在指导选择最适合 Docker 项目的 Python 镜像，确保部署尽可能顺利且高效。
数据科学开发环境配置起来让人头疼，会碰到包版本不一致、错误信息不熟悉和编译时间漫长等问题。这很容易让人垂头丧气，也使得迈入数据科学的这第一步十分艰难。而且这也是一个完全不常见的准入门槛。 还好，过去几年中出现了能够通过搭建孤立的环境来解决这个问题的技术。本文中我们就要介绍的这种技术名叫Docker。Docker能让开发者简单、快速地搭建数据科学开发环境，并支持使用例如Jupyter notebooks等工具进行数据探索。 要使用Docker，我们要先下载含有相关包package和数据科学工具的镜像文件。之后
之前分享过一篇《Linux系统自带Python2&yum的卸载及重装》，介绍了如何卸载及重装Linux(CentOS)自带的的Python2.7。今天主要介绍如何在Linux系统下通过shell脚本一键安装Python3，以及如何临时or永久更换镜像源、管理虚拟环境。工欲善其事必先利其器，环境搭建是一切开发&自动化测试绕不开的前提。
如何在一个 U 盘上安装多个 Linux 发行版，这样你可以在单个 U 盘上享受多个现场版Linux 发行版了。
辰哥准备出一期在Docker跑Python项目的技术文，比如在Docker跑Django或者Flask的网站、跑爬虫程序等等。
随着云原生时代的来临，云以及分布式计算已经是时下最受欢迎的技术之一了。其中 Docker 作为最知名的容器平台，到底有着怎样的魅力来让其无人不知无人不晓？废话不多说，让我们开始逐层掀开容器技术的神秘面纱吧！
Anaconda 是一个包含数据科学常用包的发行版本。它基于 conda(一个包和环境管理器) 衍生而来。应用程序 conda 是包和环境管理器：
现如今，Python的应用愈来愈广泛，且对于常用的发行版Linux操作系统来说一般都会预装Python环境，这给Python学习者带来了福音，因为在Windows操作系统上安装Python环境还需要配置各种环境变量。但是Linux环境下也会存在一些问题，比如Linux系统默认的Python版本一般为2.7，而如今的发行版已经到了3.9，因此能够在操作系统上简单地完成不同Python发行版的的切换十分必要。本文主要介绍一种以Ubuntu为例在Linux上的使用conda对Python版本进行控制的方法。
但是先别着急，假设我们的python应用需要做一些科学计算，并且将数据以图形的方式展示出来，这时候就需要matplotlib和pandas这两个库的帮助了，先用ubuntu来安装这俩个库，编写Dockerfile.ubuntu
上一篇文章(2300+字！在不同系统上安装Docker！)教大家如何在系统上安装docker，今天咱们来学习docker的基本使用。
使用Python的一定对著名的科学计算集成环境Anaconda（miniconda）并不陌生，而无论是使用Anaconda还是miniconda都必然会用到其包管理器——conda。作为一款管理python安装包的包管理器，其功能要比python自带的pip强大不少。
深度学习环境配置一直是大家学习AI的拦路虎，不管你是久经沙场的大佬，还是初出茅庐的小伙，相信你肯定被linux系统环境坑过。快到周末了，咱们就不聊高深莫测的算法了，今天咱们就聊下神器docker的环境配置
一般项目Dokcer 的安装比较简单，直接 brew install Docker 就可以了，不会安装的自己谷哥或者度娘去去去去。
服务器虚拟化的思想是在性能强劲的服务器上运行多个虚拟机，每个虚拟机运行独立的操作系统与相应的软件。通过虚拟机管理器可以隐藏真实机器的物理配置。其中虚拟机中运行的操作系统称为客户操作系统（Guest OS），服务器运行的操作系统称为主机操作系统（Host OS）。
在这篇文章中，我将分享如何使用 Dockerfile 为不同的编程语言和框架创建 Docker 镜像。我们将覆盖 Java、Python、Vue3 和 Go。
Rake 是一个由 Ruby 实现的 Make-like 工具，可以用 Ruby 来编排项目任务流程，例如出二进制包、构建镜像等。在 GitHub Logstash 项目的 rakelib 里找到镜像构建逻辑。
很多开发者用自己的电脑开发，然后将程序部署在内网。如果内网无法访问互联网，部署就相当麻烦，你需要将应用程序依赖的包也传输到内网。如果是 Python 应用，还需要使用 pip 安装一下依赖包，对于某些需要编译安装包，windows 环境下安装过程中还可能报错，linux 可能提示缺失必要的头文件等，安装这些依赖包会耗费较多的时间，对自己的技术提升其实没有帮助，是要尽可能避免的。
生产环境：Rocky Linux release 8.3, gitlab-ce-13.9.4-ce, Python 3.6.8
在前面的三次分享中，我分别从 Linux Namespace 的隔离能力、Linux Cgroups 的限制能力，以及基于 rootfs 的文件系统三个角度，为你剖析了一个 Linux 容器
让开发人员最头疼的麻烦事之一就是环境配置了，每台计算机的环境都不相同，应该如何确保自己的程序换一台机器能运行起来呢？
将软件或流程打包进容器,可以方便地在云上进行大规模部署,这里记录下自己使用singularity工具的过程
Docker多阶段构建是一个优秀的技术，可以显著减少 Docker 镜像的大小，从而加快镜像的构建速度，并减少镜像的传输时间和存储空间。本文将详细介绍 Docker 多阶段构建的原理、用途以及示例。
目前我已经拥有了2台linux服务器,后续为了项目之间的隔离以及软件的快速部署和应用,docker不可或缺.
在云计算时代，不管是从IDC上云还是多云直接的迁移，都已经是常见的事宜。而在上云/迁移的方案中，也是有多种的方式能够将主机迁移到腾讯云中。
软件开发最大的麻烦事之一，就是环境配置。用户计算机的环境不相同，可能导致软件无法运行。
本文原链接见 Godot-GDExtension C++ 环境搭建 (Docker+MinGW/跨平台) | Convexwf's Kirakira Blog。
Linux的应用商店—CONDA 在Linux系统如何下载数据分析所需要的软件？答案：用conda。conda最Linux系统方便快捷的软件下载器，没有之一。它的作用就相当于App store，90%以上的软件都能搜到，一键安装。日常生信使用小而精的Miniconda即可 ------微信公众号：生信星球图片Conda的下载Being/Google搜索“miniconda 清华”图片进入https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/，可以看
channels是conda下载包的镜像网站，通过如下命令可以查看已有的channels
1、Anaconda简介2、Anaconda安装(Linux和Windows)3、Conda的包管理与环境管理
Python易用，但用好却不易，其中比较头疼的就是包管理和Python不同版本的问题，特别是当你使用Windows的时候。为了解决这些问题，有不少发行版的Python，比如WinPython、Anaconda等，这些发行版将python和许多常用的package打包，方便pythoners直接使用，此外，还有virtualenv、pyenv等工具管理虚拟环境。
这样的「误会」，在你看完这篇对Python的Docker“正式版镜像”的解读后，就会烟消云散。
Dockerfile是由一系列命令和参数构成的脚本，这些命令基于基础镜像并最终创建一个新的镜像。dockerfile类似于项目中的requirements里面是我们构建的镜像所需要的依赖的安装命令等内容，当我们构建完成dockerfile文件后只需将该文件移植到另一台docker上运行就可以生成一个我们需要的镜像。
Docker镜像由只读层组成，每个层都代表一个Dockerfile指令。这些层是堆叠的，每一层都是前一层变化的增量。示例Dockerfile:
conda分为anaconda和miniconda。anaconda是包含一些常用包的版本（这里的常用不代表你常用 微笑.jpg），miniconda则是精简版，需要啥装啥，所以推荐使用miniconda。
1、全部重新来，写一个最简单的在linux上docker使用卷的小案例，给完整的代码
conda可以理解为一个工具，也是一个可执行命令，其核心功能是包管理和环境管理。包管理与pip的使用方法类似，环境管理则是允许用户方便滴安装不同版本的python环境并在不同环境之间快速地切换。conda将几乎所有的工具、第三方包都当作package进行管理，甚至包括python 和conda自身。Anaconda是一个打包的集合，里面预装好了conda、某个版本的python、各种packages等。
序 Python易用，但用好却不易，其中比较头疼的就是包管理和Python不同版本的问题，特别是当你使用Windows的时候。为了解决这些问题，有不少发行版的Python，比如WinPython、Anaconda等，这些发行版将python和许多常用的package打包，方便pythoners直接使用，此外，还有virtualenv、pyenv等工具管理虚拟环境。 个人尝试了很多类似的发行版，最终选择了Anaconda，因为其强大而方便的包管理与环境管理的功能。该文主要介绍下Anaconda，对Anacon
Alpine 操作系统是一个面向安全的轻型 Linux 发行版。它不同于通常 Linux 发行版，Alpine 采用了 musl libc 和 busybox 以减小系统的体积和运行时资源消耗，但功能上比 busybox 又完善的多，因此得到开源社区越来越多的青睐。在保持瘦身的同时，Alpine 还提供了自己的包管理工具 apk，可以通过 https://pkgs.alpinelinux.org/packages 网站上查询包信息，也可以直接通过 apk 命令直接查询和安装各种软件。
今天让我同事帮忙构建一个基于python代码的docker包，然后他问我使用那个底层镜像，我说你直接去docker hub上找一个，他打开之后问我这么多我该使用那个，他们之间有什么不一样呢？
GitLab 12.9 将弃用用于 Python 依赖扫描的 Alpine Linux 镜像，改用 Debian 作为基础镜像。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储
