Docker 命令速查手册

在低版本的服务器或存在共用关系的大组环境里，Docker 是个好东西。Docker 可以提供独立的运行时环境，以免受其他服务和人的干扰。

GitHub 项目地址：docker-command

一、什么是 Docker

Docker 是一种容器技术。它通过轻量级的虚拟化，将程序及其依赖打包到一个被称为 容器 的独立运行环境里，从而保证应用在不同环境中的一致性。

容器与虚拟机，在功能上类似，但更加轻量化。容器提供的是操作系统级别的虚拟化；而虚拟机提供的是硬件级别的虚拟化。不同于虚拟机要为每个实例运行完整的操作系统，容器共享操作系统内核，因此更轻量、更高效。不过，轻量化的设计也带来了一些限制，例如 systemctl 等服务管理工具通常在容器中不可用。

1.1 核心组件

在上手 Docker 前，有必要了解它的核心组件：

1. 镜像 (Image): 镜像拥有运行应用所需的一切，包括操作系统、代码、依赖等
2. 容器 (Container): 容器由镜像创建，每个容器拥有独立的运行环境

你无法直接运行镜像，必须由镜像创建对应的容器才能运行。可以认为容器是镜像的实例。镜像负责存储与分发，容器负责提供服务。

1.2 主要用途

Docker 的主要用途包括：

1. 轻量级虚拟化：可以当成虚拟机使用
2. 支持微服务架构：每个服务运行在独立容器中，易于扩展和管理
3. 支持 CI/CD 流水线：一次打包，即可在所有环境中运行
4. 保证环境的一致性：确保测试、开发、生产环境一致

如果你还不了解 Docker，可访问以下资源：

• 官网：https://www.docker.com/
• 入门文档：https://docs.docker.com/guides/

二、常用命令

2.1 基础操作

2.2 镜像管理

2.3 容器管理

2.4 容器运行

三、Docker 的简单使用

Docker 是客户端 / 服务端分离的，因此使用前，通常需要检查一下服务端和客户端是否都在运行：

docker info

3.1 获取镜像的两种方法

3.1.1 从 Docker Hub 获取镜像

可以用 docker pull 命令从 Docker Hub 拉取镜像。例如，以下命令可拉取带有 Nginx 服务的镜像：

docker pull nginx:stable-alpine-perl

3.1.2 用 Dockerfile 构建镜像

可以用 Dockerfile 定义一个镜像的构建过程，包括基础镜像、安装软件、环境变量等。

下面这个 Dockerfile 以 Ubuntu 22.04 为基础镜像，安装了 Miniconda 和 Jupyter Lab，并将 Jupyter Lab 日志写入工作目录的 jupyter_lab.log 文件。

# Dockerfile 文件

# 使用 Ubuntu 22.04 LTS 作为基础镜像
FROM ubuntu:22.04

# 设置环境变量
ENV DEBIAN_FRONTEND=noninteractive

# 更新 apt-get 并安装必要的依赖
RUN apt-get update && apt-get install -y \
    wget \
    bzip2 \
    curl \
    git \
    && rm -rf /var/lib/apt/lists/*

# 安装 Miniconda
RUN wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O miniconda.sh && \
    bash miniconda.sh -b -f -p /opt/conda && \
    rm miniconda.sh && \
    /opt/conda/bin/conda init bash

# 设置 conda 环境路径
ENV PATH=/opt/conda/bin:$PATH

# 安装 Jupyter Lab
RUN conda install -y jupyterlab

# 创建工作目录
WORKDIR /workspace

# 暴露 Jupyter Lab 默认端口
EXPOSE 8888

# 启动 Jupyter Lab，设置根目录为工作目录，禁用浏览器，禁用 token
CMD ["sh", "-c", "nohup jupyter lab --ip=0.0.0.0 --allow-root --notebook-dir=/ --no-browser > /workspace/jupyter_lab.log 2>&1"]

使用以下命令构建镜像：

# 1. 检查 docker 环境是否正常
docker info

# 2. 构建镜像
docker build -t jupyter_server_image .

镜像构建完成后，可以在客户端中查看镜像信息：

3.2 如何启动容器

一旦镜像完成构建，可以通过以下命令启动容器：

# 3. 测试容器
docker run \
    --rm \
    --gpus all \
    -it \
    --name jupyter_server_app \
    jupyter_server_image /bin/bash

# 4. 运行容器
docker run \
    --gpus all \
    --name jupyter_server_app \
    -d \
    -p 9999:8888 \
    -v $(pwd)/jupyter_workspace:/workspace \
    jupyter_server_image

运行选项说明：

• --rm: 当容器退出时自动删除容器，常用于测试
• --gpus all: 启用所有可用的 GPU 资源
• -it: 启动交互式终端
• --name: 为容器指定名字
• -d: 以后台模式运行容器
• -p <local-port>:<container-port>: 将主机端口映射到容器端口
• -v <local-path>:<container-path>: 将主机路径挂载到容器路径

3.3 GPU 机器配置

1）检查 NVIDIA 驱动程序

确保你的系统上已经安装了 NVIDIA 驱动程序。你可以通过 nvidia-smi 命令来检查是否已安装并输出版本信息。

nvidia-smi

2）安装 NVIDIA Container Toolkit

如果还没有安装 NVIDIA Container Toolkit，可以通过以下命令安装（以 Ubuntu 为例）：

# 1. 添加 NVIDIA 软件包列表
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

# 2. 更新 apt 缓存，并安装 NVIDIA Container Toolkit
sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit

# 3. 重启Docker服务
sudo systemctl restart docker

3）检查 CUDA 和 PyTorch

CUDA 和 PyTorch 通常在 NVIDIA 官方容器中已经安装好了。运行以下命令验证是否已安装：

# 输出 CUDA 版本
nvcc --version

# 输出 PyTorch 版本
pip show torch

四、Docker Compose 的简单使用

Docker Compose 是一个用于运行多容器 Docker 应用的工具。通过 YAML 文件 (docker-compose.yml) 可定义多个服务及其配置，使用 docker-compose 命令可以快速部署和管理这些服务。

4.1 安装 Docker Compose

对于 MacOS 和 Linux：

curl -L "https://github.com/docker/compose/releases/download/v2.20.0/docker-compose-$(uname -s)-$(uname -m)" -o ~/docker-compose
chmod +x ~/docker-compose
sudo mv ~/docker-compose /usr/local/bin/docker-compose

4.2 常用命令

附录

资源列表：

• bitnami
• NVIDIA PyTorch 镜像
• NVIDIA CUDA 镜像
• NVIDIA api-key

参考：

• 使用 Docker 快速部署 Spark + Hadoop 大数据集群