这份文档主要介绍docker基础镜像及其扩展，并举一个例子，仅仅作为一个简单的了解即可，更多的相关内容可以自行探索。
在不同的项目中，会有很多库都是重复的，如果每个项目都从头开始配置会导致重复下载，并且有些较大的库构建缓慢，因此就引出了docker基础镜像，它的原理是：构建一个 统一的基础镜像（Base Image），包含所有项目共用的库，然后每个项目基于它做扩展。也就是说，基础镜像的用途是封装大多数项目所共用的依赖，比如Python3.9，numpy等库，以及一些pip源配置等，它只需要构建并推送一次就可以长期复用。而针对每个项目，在基础镜像上添加项目专属依赖后就成为了项目的扩展镜像。
下面以一个简单的jupyterLab为例说明。
镜像
镜像是一个只读的模板，包含了运行程序所需要的所有东西，比如依赖库，依赖软件和代码本体等，它是不可变的。
首先，每一个镜像都至少需要两个文件，Dockerfile以及requirements。
Dockerfile
Dockerfile是一个纯文本文件，包含一系列命令，Docker 会按顺序执行这些命令，最终生成一个镜像，常用的指令格式有（简单看看就好）：
| 指令 | 作用 | 示例 |
|---|---|---|
FROM |
指定基础镜像（必须是第一行） | FROM python:3.9-slim |
RUN |
在镜像中执行命令（如安装软件） | RUN apt-get update && apt-get install -y gcc |
COPY |
将本地文件复制到镜像中 | COPY requirements.txt /app/ |
WORKDIR |
设置工作目录（后续命令在此目录下执行） | WORKDIR /app |
EXPOSE |
声明容器运行时监听的端口（文档作用，不真正打开端口） | EXPOSE 8888 |
CMD |
容器启动时默认运行的命令（可被 docker run覆盖） | CMD ["python", "app.py"] |
USER |
切换运行用户 | USER scientist |
例如一个最简单的Dockerfile
# 使用官方 Python 3.9 镜像作为基础
FROM python:3.9-slim
# 设置工作目录为/app
WORKDIR /app
# 将当前目录下的 requirements.txt 复制到镜像中
COPY requirements.txt .
# 安装 Python 依赖
RUN pip install --no-cache-dir -r requirements.txt
# 将当前目录所有文件复制到镜像
COPY . .
# 容器启动时运行 app.py
CMD ["python", "app.py"]requirements
requirements.txt是 Python 项目中列出所有依赖库及其版本的文件，可以确保无论在哪个机器上安装的库版本都一致。
例如
numpy>=1.21.0
pandas>=1.3.0
matplotlib>=3.4.0
scikit-learn>=1.0.0
jupyterlab>=3.0.0每一行是一个 Python 包，可以指定版本约束
打包
对Dockerfile文件打包成镜像可以使用（最后有个点）
-t是指明tag，也就是打包出来叫什么，-f是指明Dockerfile的路径
docker build -t my-image:1.0 -f Dockerfile .Docker 会：
- 读取 Dockerfile
- 执行 COPY requirements.txt ，把你的依赖文件放进镜像
- 执行 RUN pip install -r requirements.txt，安装所有列出的库
- ……（其实就是把dockerfile中的步骤跑一遍，终端也会有相应提示）
jupyterLab
这个项目应该包含两个目录，一是base基础镜像，目录下有Dockerfile.base和requirements-base.txt，二是jupyter扩展镜像，目录下有Dockerfile.jupyter和requirements-jupyter.txt。
假设基础镜像中包含了一些常见的科学计算库（例如pandas，numpy），扩展镜像中增加了JupyterLab和一些可视化库
base
即base/requirements.txt内容为
numpy>=1.21.0
pandas>=1.3.0
matplotlib>=3.4.0
scipy>=1.7.0
# 所有相关项目共用的基础库base/Dockerfile.base内容为（需要注意如果有一些指令需要root权限，则需要先切换USER为root，一般情况下更多是创建普通用户，需要的时候再进行切换，随后再切换回来，下面的Dockerfile示例图方便没有这么写）
# 使用官方 Python 3.9 镜像
FROM python:3.9-slim
# 设置工作目录
WORKDIR /workspace
# 复制依赖文件并安装
COPY requirements-base.txt .
RUN pip install --no-cache-dir -r requirements-base.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
# 删除本地依赖文件
RUN rm requirements-base.txt
# 设置默认目录
WORKDIR /workspace使用build指令打包base镜像
docker build -f Dockerfile.base -t scientific-base:py39-v1.0 .构建完成后可以通过docker images指令查看，如果出现scientific-base:py39-v1.0表示构建成功
接着需要推送到仓库，使用docker tag <原标签> <推送标签>给它打标签，格式是 <registry-url>/<namespace>/<image-name>:<tag>，这里以我的阿里云仓库为例，运行指令是
docker tag scientific-base:py39-v1.0 crpi-lz3ctlnv0bvd3g25.cn-hangzhou.personal.cr.aliyuncs.com/cz19997/scientific-base:py39-v1.0然后push到仓库(可能需要先登录，这里略去)
docker push crpi-lz3ctlnv0bvd3g25.cn-hangzhou.personal.cr.aliyuncs.com/cz19997/scientific-base:py39-v1.0推送成功后就可以开始扩展，任何dockerfile都可以用FROM <registry> /scientific-base:py39-v1.0来导入这个base镜像
jupyter
假设需要添加的库如下（即requirements-jupyter.txt）：
notebook>=6.0.0
jupyterlab>=3.0.0
seaborn>=0.11.0
plotly>=5.0.0
scikit-learn>=1.0.0这里的Dockerfile就应该FROM之前的base镜像，就是
# 使用刚刚推送的远程基础镜像
FROM crpi-lz3ctlnv0bvd3g25.cn-hangzhou.personal.cr.aliyuncs.com/cz19997/scientific-base:py39-v1.0
WORKDIR /workspace
COPY requirements-jupyter.txt .
RUN pip install --no-cache-dir -r requirements-jupyter.txt \
-i https://pypi.tuna.tsinghua.edu.cn/simple \
&& rm requirements-jupyter.txt
# 开放端口 8888(这个是因为后面要访问jupyterlab)
EXPOSE 8888
# 启动 JupyterLab，允许所有 IP 访问，不打开浏览器
CMD ["jupyter", "lab", "--ip=0.0.0.0", "--port=8888", "--no-browser", "--allow-root"]进入jupyter目录后运行build指令
docker build -f Dockerfile.jupyter -t scientific-jupyter:v1.0 .打包成功后就可以推送（方便后续再次运行这个项目，也可以不把扩展镜像推送上去），依然是先打tag再push
docker tag scientific-jupyter:v1.0 crpi-lz3ctlnv0bvd3g25.cn-hangzhou.personal.cr.aliyuncs.com/cz19997/scientific-jupyter:v1.0
docker push crpi-lz3ctlnv0bvd3g25.cn-hangzhou.personal.cr.aliyuncs.com/cz19997/scientific-jupyter:v1.0然后就可以本地运行这个镜像（这里的一些参数都是jupyter需要的，实际使用时候参数需要自己配）
docker run -d -p 8888:8888 -v "$PWD/notebooks:/workspace/notebooks" --name jupyter-lab crpi-lz3ctlnv0bvd3g25.cn-hangzhou.personal.cr.aliyuncs.com/cz19997/scientific-jupyter:v1.0
#也可以用\分行写
docker run -d \
-p 8888:8888 \
-v "$PWD/notebooks":/workspace/notebooks \
--name jupyter-lab \
crpi-lz3ctlnv0bvd3g25.cn-hangzhou.personal.cr.aliyuncs.com/cz19997/scientific-jupyter:v1.0没有报错就是成功运行，可以使用docker ps查看正在运行的容器，可以看到对应的image正是刚刚打包的
然后访问日志获取运行的jupyterlab的访问链接(logs 后面的是刚刚运行的容器名)：
docker logs jupyter-lab应该可以看到有两行带token的链接，第一个是运行的容器映射的8888端口，那一串是容器ID，与之前docker ps指令查看的一致，第二个是本机映射的8888端口
http://4e0326576401:8888/lab?token=ba4b6b82f02fcabdfa0c7c1478dc7dca9fb302a20bc3a258
http://127.0.0.1:8888/lab?token=ba4b6b82f02fcabdfa0c7c1478dc7dca9fb302a20bc3a258可以直接在网址上用第二个链接访问到jupyterlab，说明我们的镜像构建对了，如果想用第一个链接，需要用docker exec指令，因为它是容器内部视角来看的链接（其实这部分没啥用，可以不管）
docker exec -it jupyter-lab bash这个时候就进去了容器，前面变成了root@4e0326576401:/workspace# ，如果是正常情况是可以使用curl指令进行访问的，就是
curl -s http://$HOSTNAME:8888
#或者
curl -s http://127.0.0.1:8888但是这里由于刚开始构建base镜像的时候用了python的slim版本，slim实在是太精简以至于甚至没有包含curl，wget等指令，所以到这里就不行了，需要扩展出来更多http.client的东西，扯太远了就……但是正常情况下是这样的访问的，然后你会看到一个html语言的网页界面（一堆html的标签输出，应该是）。
最后是运行完成后会自动在jupyter的目录下创建一个notebook的目录用于存放编辑的内容，没了。
一些后话
最后需要停止和删除容器，用stop和rm，删除镜像要用rmi，最后的i就是image（都可以接受id或名称为参数）
docker stop jupyter-lab
docker rm jupyter-lab
docker rmi ee7cbd482336
docker rmi allen_mysql:5.7如果想要查看镜像中有哪些库（例如需要看看基础镜像是不是包括了某个库），可以先run起来，然后用exec指令看，具体的参数看情况
docker exec jupyter-lab pip list如果想要执行具体的python代码，可以在Dockerfile中先COPY过来py文件（如main.py），然后用CMD指明CMD ["python", "main.py"]，这样镜像在run的时候就会直接执行它；也可以调整docker run的参数（需要Dockerfile没有CMD或者允许覆盖，但是一般是允许的），例如
docker run <镜像名> python /workspace/a.py注意需要执行的py文件一定要在Dockerfile中用COPY放在镜像内部的工作目录下。
其他
使用docker run运行启动的是Container容器，它是正在运行的镜像实例，可以把镜像和容器类比成Java中的类和对象，每个容器之间是隔离的。此外还有用于持久化数据的Volume卷，因为容器是暂时的，可以停止和删除，如果要保存数据需要用到卷，卷可以在多个容器间数据，这里不详细说了。
还有一个重要的东西是Kubernetes（k8s），它是管理Docker容器的系统，比如有一个大的分布式项目中有很多微服务，每个微服务都是运行在各自容器中的，相互之间使用REST或者gRPC什么的通信，如果手动管理的话就很困难，k8s的一个功能就是很方便地管理这些容器。
