docker打包python最佳实践Pythonu012739198的博客-

相信你也被你第一次使用docker打包的python的image惊讶到了吧，代码1MB镜像却可以有1个多G,构建也需要几分钟。

通过最佳实践可以让你的image从v1进化到v2。老司机可以直接到最后去看dockerfile

REPOSITORY  TAG      IMAGE ID         CREATED          SIZE flask       v1       baefe66b1304     3 days ago       1.59GB flask       v2       a8a98b14a0df     2 days ago       324MB 

在本文中，您将学习：

• 多阶段构建的工作原理以及Python如何使多阶构建。让你的镜像很小

• Python合理编写dockerfile加快构建时间。让你的build很快

python 多阶构建

多阶构建原理

多阶构建原理简单的说就是现在一个镜像中编译代码，然后把编译好的最小代码复制到第二个镜像中。这样第二个镜像就不包含那些为了编译安装的工作环境，从而获得一个不包含编译环境较小的image

• 在第一个映像中，安装编译器和其他构建工具，然后编译源代码。
• 在第二个映像中，仅安装运行代码所需的软件包，然后复制由第一个映像创建的已编译工件。

# 第一个镜像: FROM ubuntu:18.04 AS compile-image RUN apt-get update RUN apt-get install -y --no-install-recommends gcc build-essential  WORKDIR /root COPY hello.c . RUN gcc -o helloworld hello.c  # 这是第二个镜像也是最终我们的生成的镜像 FROM ubuntu:18.04 AS runtime-image  COPY --from=compile-image /root/helloworld .   <-注意这里，将在第一个镜像compile-image 中编译好的的代码copy到runtime-image里面 CMD ["./helloworld"] 

如果我们docker build按照上述步骤进行操作，则最终图像是最后一个阶段，即runtime-image。
最后该映像只有88.9MB，基本上ubuntu:18.04与其生成的映像大小相同（并与之共享大部分层）：我们有一个映像，该映像可以获取已编译的工件，而不必在其各层中包含编译器。

使用venv

在上面的示例中，我们复制了一个二进制文件，这使工作更轻松：只需复制这一件事。但是在python中，其中包含一些需要编译的代码（在C / C ++ / Rust中），以及许多Python依赖项。

一个简单的方法是使用virtualenv

FROM python:3.7-slim AS compile-image RUN apt-get update RUN apt-get install -y --no-install-recommends build-essential gcc  RUN python -m venv /opt/venv # 使用我们建好的虚拟python环境: ENV PATH="/opt/venv/bin:$PATH"  COPY requirements.txt . RUN pip install -r requirements.txt  COPY setup.py . COPY myapp/ . RUN pip install .  FROM python:3.7-slim AS build-image COPY --from=compile-image /opt/venv /opt/venv  # 使用我们建好的虚拟python环境: ENV PATH="/opt/venv/bin:$PATH" CMD ['myapp'] 

快速构建

快速构建的关键是利用docker的缓存,缓存的原理看这里

python我们只需要记住先COPY requirements.txt，pip install 这样就可以利用docker的缓存层，加快构建

COPY requirements.txt . RUN  pip install  -r requirements.txt COPY . . 

最佳实践dockerfile

一个的flask app为一个例子:

FROM python:3.6-stretch as compile_stage ####################定义环境变量 start#################### #定义工作目录 ENV WORK_PATH /usr/src/app WORKDIR $WORK_PATH #使用虚拟python环境 RUN python -m venv $WORK_PATH/venv ENV PATH="$WORK_PATH/venv/bin:$PATH" #可以使用pip的缓存 #requirements.txt不变的时候会直接使用缓存层 COPY requirements.txt . #国内同学用一下清华源 RUN  pip install --upgrade pip -i https://pypi.tuna.tsinghua.edu.cn/simple &&       pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt #复制项目代码，记得在.dockerignore把项目不需要的文件忽略掉 COPY . $WORK_PATH  FROM python:3.6-alpine #设置pytohn虚拟环境 ENV WORK_PATH /usr/src/app ENV PATH="$WORK_PATH/venv/bin:$PATH" WORKDIR $WORK_PATH  #从名为compile_stage的image复制构建结果到工作目录 COPY --from=compile_stage $WORK_PATH/. . CMD ["gunicorn",  "run:app ", "-c","gunicorn.conf.py"]