面向数据科学家的 Docker 最佳实践

作者 | Thushan Ganegedara

译者 | 弯月，责编 |  唐小引

头图 | CSDN 下载自东方 IC

出品 | CSDN（ID：CSDNnews）

作为一名数据科学家，每天我都要与 Docker 打交道。创建镜像、更新内容和编写 Python 脚本已经成为了我的日常工作。在这个过程中，我常常感叹：“多么希望我以前就能知道这些方法。”

因此，我将在本文中探讨一些数据科学项目中会用到的 Docker 最佳实践。虽然未能做到详尽，但我涵盖了数据科学家大部分的工作。

本文假定你对 Docker 的基础知识有一定的了解。例如，你知道 Docker 的用途，而且能够轻松地编写 Dockerfile，并且了解 Docker 命令（如 RUN、CMD 等）。如果你缺乏对这些基础知识的了解，那么请先阅读 Docker 官方网站上的文档。

为什么选择 Docker？

自发布以来，Docker 已席卷全球。在 Docker 出现之前的日子里，虚拟机填补了这一领域的空白。然而，Docker 提供的功能远超过了虚拟机。

Docker 的优势

• 隔离：不管基础操作系统/基础架构、安装好的软件、更新等如何变化，Docker 都能提供隔离的环境。

• 轻量级：共享 OS 内核，不需要为每个容器分配 OS 内核。

• 性能：轻巧，可以在同一操作系统上同时运行多个容器。

Docker 入门

Docker 包含了三个重要的概念。

镜像：这是由可运行的库和二进制文件组成的集合，代表一个开发/生产/测试所需的环境。你可以通过以下方式下载/创建镜像。

• 从镜像仓库中提取，例如：docker pull alpine。这个命令将在计算机的本地查找一个名为 alpine 的镜像，如果找不到，就去 Dockerhub 中查找。

• 使用 Dockerfile 在本地构建镜像，例如：docker build . -t <image_name>:<image_version>。这个命令不是下载/拉取镜像，而是构建自己的镜像。这种说法也不完全，因为 Dockerfile 包含以 FROM <base-image>开头的行，该行会查找以其开头的基本镜像，如果找不到，则从 Dockerhub 中提取。

容器：容器是镜像的运行实例。你可以通过如下命令建立一个容器：`docker container run <arguments> <image> <command> 。例如，根据 alpine 创建一个容器的命令为：docker container run -it alpine /bin/bash。

卷：我们利用卷来存储容器使用的数据（例如日志、下载的数据等）。此外，卷可以在多个容器之间共享。你可以通过以下几种方式使用卷。

• 创建卷：卷的创建命令为：docker volume create <volume_name>。请注意，如果删除卷，则存储在其中的信息会丢失。

• 绑定挂载卷：将宿主上现有的卷绑定挂载到容器的命令为：-v <source>:<target>。例如，如果你需要将卷/my_data 挂载到容器，并作为卷/data，则可以执行以下命令：docker container run -it -v /my_data:/data alpine /bin/bash。你在挂载的时候所做的更改将反映在宿主上。

一、创建镜像

1. 镜像不宜过大，应避免缓存

构建镜像时，首先你必须做两件事：

• 安装 Linux 软件包

• 安装 Python 库

在安装这些软件包和库时，软件包管理器将缓存数据，以便你再次安装时能够使用本地的数据。但这会增加镜像的大小，完全没有必要。Docker 镜像应该尽可能保持轻量级。

在安装 Linux 软件包时，请记住在 apt-get installl 命令中添加一行，就可以删除所有的缓存数据。

RUN apt-get update && apt-get install tini && \
 rm -rf /var/lib/apt/lists/*

在安装 Python 软件包时，为避免缓存，请按照以下操作：

RUN pip3 install <library-1> <library-2> --no-cache-dir`

2. 在 requirements.txt 中单独指定 Python 库

最好在 requirements.txt 中单独指定 Python 库，然后通过以下命令安装库。

RUN pip3 install -r requirements.txt --no-cache-dir

这种做法可以很好地区分 Dockerfile 和 Python 的库。此外，如果你有多个 Dockerfile（例如用于生产/开发/测试），而且希望它们都安装相同的库，则可以轻松地重用这个命令。requirements.txt 文件中只包含了一堆库名。

numpy==1.18.0
scikit-learn==0.20.2
pandas==0.25.0

3. 修改库版本

请注意，你需要在 requirements.txt 中冻结要安装的版本，这非常重要。因为否则，每次构建 Docker 镜像时，你都有可能安装不同的版本，那么就会面临“依赖性地狱”。

二、容器的运行

1. 多使用非 root 用户

在运行容器时，如果你不指定运行的用户身份，则会默认使用 root 用户。我曾经很天真，特别喜欢使用 sudo 或 root。然而，我遭到了惨痛的教训，拥有不必要的特权会引发不必要的麻烦。

如果你想以非 root 用户身份运行容器，只需运行如下命令：

docker run -it -u <user-id>:<group-id> <image-name> <command>

如果你想进入现有的容器中，则可以运行如下命令：

docker exec -it -u <user-id>:<group-id> <container-id> <command>

例如，你可以通过将<user-id>指定为$(id -u)，<group-id>指定为$(id -g)，使容器内的用户 ID 和组 ID 与宿主匹配。

注意，不同的操作系统分配用户 ID 和组 ID 的方式也不同。例如，MacOS 上的用户 ID/组 ID 可能是 Ubuntu 容器内预先分配/保留的用户 ID /组 ID。

2. 创建一个非特权用户

我们能够以非 root 用户身份从宿主登录到容器。但是，如果你以这种方式登录，那么你在容器中没有用户名。因为，很明显容器不知道该用户 ID 来自何处。而且，每次你想启动或 exec 容器的时候，都需要记住并输入这些用户 ID 和组 ID。为了避免这些麻烦，你可以在 Dockerfile 中创建用户/组。

ARG UID=1000
ARG GID=1000

• 首先将 ARG UID=1000 和 ARG GID=1000 添加到 Dockerfile 中。UID 和 GID 是容器中的环境变量，你可以在 docker build 阶段将值传递给该容器（默认为 1000）。

• 然后通过 RUN groupadd -g $GID john-group，在镜像中添加带有组 ID GID 的 Linux 组。

• 接下来，通过 useradd -N -l -u $UID -g john-group -G sudo john，在镜像中添加带有用户 ID UID 的 Linux 用户。在此，我们将 john 添加到 sudo 组中。但这是可选的。如果你百分百确定你不需要 sudo 权限，则可以忽略这一步。

然后，在镜像构建期间，你可以为这些参数传递值，例如：

docker build <build_dir> -t <image>:<image_tag> --build-arg UID=<uid-value> --build-arg GID=<gid-value>

举个例子：

docker build . -t docker-tut:latest --build-arg UID=$(id -u) --build-arg GID=$(id -g)

拥有一个非特权用户在运行不需要 root 权限的进程时非常有用。例如，如果你的 Python 脚本只是从目录中读写数据，那么完全没必要用 root 身份运行。另外，还有一个好处，如果容器内的用户 ID 和组 ID 完全与宿主匹配，则你创建的所有文件都将拥有宿主用户的所有权。因此，如果你挂载这些文件（或创建新文件），那么就像在宿主上创建的一样。

三、创建卷

1. 利用卷做分离

作为数据科学家，你需要处理各种数据、模型和代码。你可以将代码放在一个卷中（比如/app），将数据放在另一个卷中（比如/data）。这样你的 Docker 镜像就能拥有一个很好的结构，且可以摆脱所有宿主级别的依赖关系。

我所说的这种依赖是什么意思？假设你将代码放在/home/<user>/code/src 中。如果你将/home/<user>/code/src 复制/挂载到卷/app 中，而/home/<user>/code/data 挂载到卷/data 中，那么即便宿主上的代码和数据位置发生变化，也没有关系。一旦挂载到 Docker 镜像后，它们的位置就不会发生变化。因此，你可以按照如下步骤在 Python 脚本中定义这些路径。

data_dir = "/data"
model_dir = "/models"
src_dir = "/app"

你可以通过以下方法，将必要的代码和数据复制到镜像中：

COPY test-data /data
COPY test-code /app

请注意，test-data 和 test-code 都是宿主上的目录。

2. 在开发过程中挂载目录

挂载的好处在于，容器中的变化都会反映到宿主上。在开发和调试项目时，这种做法非常方便。我们来看一个例子。

假设你通过以下命令创建了 docker 镜像：

docker build <build-dir> <image-name>:<image-version>

那么，现在可以使用以下命令建立镜像的一个容器：

docker run -it <image-name>:<image-version> -v /home/<user>/my_code:/code

然后，你就可以在容器内运行代码，同时还能进行调试，且代码的变更都会反映到宿主上。而这主要得益于在容器中使用相同的宿主用户 ID 和组 ID。你所做的所有改动都好似来自宿主上的这个用户。

3. 永远不要挂载宿主的关键目录

我曾做过一件好笑的事，我将机器的主目录挂载到 Docker 容器中，而且还想修改主目录的权限。不用说，我无法再登陆系统了，并花了好几个小时才修复。因此，你应该只挂载所需的内容。

例如，假设开发期间你有三个想要挂载的目录：

/home/<user>/my_data
/home/<user>/my_code
/home/<user>/my_model

你可能很想用一行代码直接挂载/home/<user>目录，但是编写三行代码来分别挂载这些单独的子目录，这绝对值得，因为可以为你节省数小时的艰辛工作（甚至是几天）。

四、其他小贴士

1. 了解 ADD 和 COPY 之间的区别

你可能知道 Docker 有两个命令叫做 ADD 和 COPY，那么二者究竟有何不同？

• ADD：你可以使用 ADD <url>从 URL 下载文件。

• ADD：当某个压缩文件（例如 tar.gz）会从指定的位置提取文件时，请使用 ADD。

• COPY：将某个文件/文件夹复制到容器的指定位置。

2. ENTRYPOINT 和 CMD 之间的区别

我打个比方，你可以把 ENTRYPOINT 当成一辆车，而 CMD 就是车上的控制器（例如加速器、制动器、方向盘）。ENTRYPOINT 本身不会执行任何操作，它只是容纳你在容器中执行的操作的盒子。它不会处理你推送到容器的任何命令。

命令 CMD 是容器内实际执行的命令。例如，bash 会在容器内创建一个 shell，那么你就可以像在 Ubuntu 的普通终端上一样使用该容器。

3. 将文件复制到现有容器

我们经常犯这样一个错误：创建好容器后，却忘记将文件添加到镜像中。构建镜像需要花费很长时间。有什么办法可以避免这个问题，自动将文件添加到现有容器中呢？

你可以使用 docker cp 命令执行该操作。很简单：

docker cp <src> <container>:<dest>

下次进入容器时，你就可以看到复制的文件躺在<dest>中。但是，请不要忘记修改 Dockerfile，以便能在下次构建时复制必要的文件。

英文：Docker Best Practices for Data Scientists

链接：https://towardsdatascience.com/docker-best-practices-for-data-scientists-2ed7f6876dff

作者：Thushan Ganegedara，数学科学家。

本文为 CSDN 翻译，转载请注明来源出处。

【End】

推荐阅读 

☞ 百度移动平台关闭安卓渠道；苹果将推 iPhone SE 2 代；微软开源 Scalar | 极客头条

☞  机器学习霸占高薪榜、区块链偃旗息鼓？2020 年软件工程师状况解读！

☞ 编程语言性能实测，Go比Python更胜一筹？

☞ Python 爬取李子柒辣椒酱 1794 条数据，有人嫌牛肉粒太小...... | 原力计划

☞ 大神如何一招完美解决Hadoop集群无法正常关闭的问题！| 博文精选

☞ 比特币技术栈的演进

你点的每一个在看，我认真当成了喜欢

猛戳“ 阅读原文 ”，填写中国远程办公-调查问卷