1.1 Docker 简介与历史

欢迎来到 Docker 的世界！在这一节中，我们将从 Docker 的基础知识和历史开始，然后通过一些精彩的案例来深入探讨它的实用性和强大功能。让我们一起开启这趟知识之旅吧！

1.1.1 Docker 基础知识

要深入了解 Docker，我们首先需要掌握一些关键概念。Docker 是一个开源的容器化技术，它允许开发者和系统管理员在所谓的容器中打包、分发和运行应用。这些容器是轻量级的、可移植的、自给自足的包，它们包含了运行应用所需的一切：代码、运行时环境、库、环境变量和配置文件。

容器 vs. 虚拟机

容器经常被与虚拟机（VM）相比较。虽然它们都提供资源隔离和分配的功能，但容器更为轻量级。与虚拟机不同的是，容器共享主机系统的内核，不需要运行整个操作系统。这就意味着容器启动得更快，占用的资源更少。

镜像

Docker 镜像是容器的蓝本。它是一个轻量级的、不可变的、可执行的软件包，包含运行应用所需的所有内容——代码、运行时环境、库、环境变量和配置文件。通过 Dockerfile，一个简单的文本文件，可以定义如何构建镜像。

Docker Hub 和仓库

Docker Hub 是 Docker 的公共仓库，用户可以在此上传和下载镜像。除了 Docker Hub，用户还可以在私有仓库存储镜像。仓库可以被视为镜像的集合，它允许用户版本控制和分享。

Dockerfile

Dockerfile 是一个文本文件，包含了一系列的指令和参数，用于定义如何从基础镜像构建新的镜像。通过 Dockerfile，可以自动化创建镜像的过程，确保环境的一致性和可重复性。

Docker Compose

Docker Compose 是一个用于定义和运行多容器 Docker 应用的工具。通过一个 YAML 文件，可以配置应用服务的所有参数。这使得管理容器化应用更加容易，特别是在处理多个相互依赖的容器时。

网络和数据存储

Docker 容器可以通过网络进行通信，并可以使用卷（volume）来持久化和共享数据。Docker 网络功能允许容器之间的相互连接，以及容器与外部世界的通信。通过卷，可以将数据持久化存储在容器外部，确保数据的安全和持续性。

了解这些基本概念后，你就已经准备好进一步探索 Docker 的强大功能和实际应用了。在接下来的章节中，我们将通过实际案例，让你更深入地了解如何使用 Docker 来改善你的开发和运维工作。

1.1.2 重点案例：Python Web 应用的 Docker 化

在这个案例中，我们将创建一个简单的 Python Web 应用，并通过 Docker 容器化技术部署它。这个案例将向你展示如何将现代 Web 开发流程与 Docker 相结合，从而提高开发效率和应用的可移植性。

步骤 1: 创建 Flask 应用

我们的第一步是创建一个基本的 Python Flask 应用。Flask 是一个轻量级的 Web 应用框架，非常适合快速开发和原型设计。以下是我们的简单 Flask 应用代码：

# 文件名：app.pyfrom flask import Flask
app = Flask(__name__)@app.route('/')
def hello_world():return 'Hello, Docker!'if __name__ == '__main__':app.run(debug=True, host='0.0.0.0')

在这个应用中，我们定义了一个根路由 /，当访问这个路由时，它返回“Hello, Docker!”。

步骤 2: 编写 Dockerfile

接下来，我们需要创建一个 Dockerfile 来定义如何在 Docker 容器中运行我们的 Flask 应用。Dockerfile 是构建 Docker 镜像的蓝图，包含了必要的指令和步骤。

# Dockerfile# 使用官方 Python 运行时作为父镜像
FROM python:3.8-slim# 设置工作目录
WORKDIR /app# 将当前目录内容复制到位于 /app 的容器中
COPY . /app# 安装 Flask
RUN pip install flask# 使得端口 5000 可供此容器外的环境使用
EXPOSE 5000# 定义环境变量
ENV NAME World# 运行 app.py 时启动应用
CMD ["python", "./app.py"]

这个 Dockerfile 从一个 Python 3.8 镜像开始，将我们的应用代码复制到镜像中，并安装 Flask。然后，它将容器的 5000 端口暴露出来，并指定了启动应用时运行的命令。

步骤 3: 构建和运行 Docker 容器

最后一步是构建我们的 Docker 镜像，并在容器中运行它。

首先，我们使用以下命令构建镜像：

docker build -t flask-app .

这个命令会读取 Dockerfile，并构建一个名为 flask-app 的镜像。

接下来，运行这个镜像：

docker run -p 5000:5000 flask-app

这个命令会启动一个新的容器实例，将本地的端口 5000 映射到容器的端口 5000，并在该容器中运行我们的 Flask 应用。

现在，打开浏览器并访问 http://localhost:5000，你应该能看到显示“Hello, Docker!”的页面。

通过这个简单的案例，你可以看到 Docker 如何帮助我们轻松地部署 Web 应用，并保证了在不同环境中的一致性和可移植性。这只是 Docker 众多强大功能中的一个简单示例。随着你对 Docker 的进一步学习，你将能够发现并利用更多高级功能来优化你的开发和部署流程。

1.1.3 拓展案例 1：使用 Docker 进行 Python 数据分析

在这个案例中，我们将通过 Docker 创建一个 Python 数据分析环境。这个环境将包括 Jupyter Notebook，这是一个非常受欢迎的工具，允许你在浏览器中编写和执行 Python 代码，并且能够可视化数据和分析结果。让我们一步一步来完成这个案例。

步骤 1: 创建 Dockerfile

首先，我们需要创建一个 Dockerfile 来定义我们的数据分析环境。这个环境将基于 Python 3，并安装 Jupyter Notebook 以及一些常用的数据分析库，如 Pandas 和 NumPy。

# Dockerfile# 从 Python 官方镜像开始构建
FROM python:3.8-slim# 安装 Jupyter Notebook
RUN pip install jupyter# 安装常用的数据分析库
RUN pip install numpy pandas matplotlib seaborn# 设置工作目录
WORKDIR /data# 使得端口 8888 可供此容器外的环境使用
EXPOSE 8888# 当容器启动时，启动 Jupyter Notebook
CMD ["jupyter", "notebook", "--ip='*'", "--port=8888", "--no-browser", "--allow-root"]

这个 Dockerfile 从 Python 3.8 镜像开始，安装了 Jupyter Notebook 和几个常用的数据分析库。它还将容器的 8888 端口暴露出来，以便访问 Jupyter Notebook。

步骤 2: 构建 Docker 镜像

使用以下命令构建我们的 Docker 镜像：

docker build -t python-data-analysis .

这个命令会根据 Dockerfile 构建一个名为 python-data-analysis 的镜像。

步骤 3: 运行 Docker 容器

接下来，运行这个镜像：

docker run -p 8888:8888 python-data-analysis

这个命令启动了一个容器实例，将本地的 8888 端口映射到了容器的 8888 端口，并在该容器中启动了 Jupyter Notebook。

在容器启动后，你将看到一个 URL，其中包含一个 token。将这个 URL 复制到浏览器中，就可以开始使用 Jupyter Notebook 了。

数据分析示例

在 Jupyter Notebook 中，你可以开始编写 Python 代码进行数据分析。例如，你可以使用以下代码来创建一个简单的数据集，并用 Matplotlib 生成一个图表：

# 导入所需库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt# 创建一个简单的数据集
data = pd.DataFrame({'x': range(10),'y': np.random.randn(10)
})# 绘制图表
plt.plot(data['x'], data['y'])
plt.show()

通过这个案例，你可以看到 Docker 如何帮助我们快速搭建一个完整的数据分析环境，无论你在哪里工作，都能保证环境的一致性和可移植性。使用 Docker，你可以专注于数据分析本身，而不是环境配置的问题。

1.1.4 拓展案例 2：Docker 中的 Python 机器学习环境

在这个案例中，我们将展示如何使用 Docker 搭建一个 Python 机器学习环境。这个环境将包括 Python 的机器学习库，如 scikit-learn 和 TensorFlow，使得机器学习项目的开发和部署更加容易和一致。

步骤 1: 创建 Dockerfile

首先，我们需要创建一个 Dockerfile，以定义我们的机器学习环境。这个环境将基于 Python 3，并安装 scikit-learn 和 TensorFlow 这两个流行的机器学习库。

# Dockerfile# 从 Python 官方镜像开始构建
FROM python:3.8-slim# 安装 scikit-learn 和 TensorFlow
RUN pip install scikit-learn tensorflow# 设置工作目录
WORKDIR /ml# 运行时，保持容器运行
CMD ["tail", "-f", "/dev/null"]

这个 Dockerfile 从 Python 3.8 镜像开始，安装了 scikit-learn 和 TensorFlow。它还设置了工作目录，并使用 tail 命令来保持容器运行。

步骤 2: 构建 Docker 镜像

使用以下命令来构建我们的 Docker 镜像：

docker build -t python-ml .

这个命令会根据 Dockerfile 构建一个名为 python-ml 的镜像。

步骤 3: 运行 Docker 容器

接下来，运行这个镜像：

docker run -it --name ml-container python-ml

这个命令启动了一个名为 ml-container 的容器实例，并进入交互式模式。

机器学习示例

在这个容器中，你可以开始使用 Python 进行机器学习实验。例如，你可以使用以下代码来训练一个简单的线性模型：

# 导入所需库
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_boston
import pandas as pd# 加载数据集
boston = load_boston()
X = pd.DataFrame(boston.data, columns=boston.feature_names)
y = pd.DataFrame(boston.target, columns=["MEDV"])# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 创建并训练模型
model = LinearRegression()
model.fit(X_train, y_train)# 测试模型
score = model.score(X_test, y_test)
print(f"Model Accuracy: {score}")

通过这个案例，你可以看到 Docker 如何帮助我们快速搭建一个包含必要机器学习库的环境，使得在不同环境中的机器学习开发和部署变得更加容易和一致。使用 Docker，你可以专注于机器学习模型的构建和训练，而无需担心环境配置问题。

通过以上案例，你不仅能够理解 Docker 的基本概念和历史背景，还能深入学习如何在实际工作中应用 Docker 来提升 Python 开发和数据科学项目的效率和一致性。这些案例旨在提供实用性强且贴近实际生产的应用场景，帮助你更好地理解和运用 Docker 技术。

1.2 安装与配置 Docker

在这一节中，我们将详细讲解 Docker 的安装和配置过程，重点关注在不同操作系统上的安装步骤。随后，我们将通过一些实用的 Python 应用案例，展示如何在 Docker 环境中运行和管理 Python 应用。

1.2.1 重点基础知识

在深入探讨如何使用 Docker 运行 Python 应用之前，了解 Docker 的基本安装和配置步骤是非常重要的。以下是一些关键的基础知识点：

1. 下载 Docker:

   • Windows 和 MacOS: 对于 Windows 和 MacOS 用户，推荐使用 Docker Desktop。它提供一个直观的用户界面，并包含了 Docker Engine、Docker CLI 客户端、Docker Compose 等工具。您可以从 Docker 的官方网站下载对应的安装程序。
   • Linux: Linux 用户需要通过命令行安装 Docker。不同的 Linux 发行版（如 Ubuntu、Fedora、Debian）有着不同的安装命令。例如，在 Ubuntu 上，你可以使用 sudo apt-get install docker.io 来安装 Docker。

2. 安装 Docker:

   • 在 Windows 或 MacOS 上，双击下载的安装包并遵循安装向导的指示完成安装。
   • 在 Linux 上，通常需要使用特定的包管理器进行安装，并可能需要配置 Docker 以便非 root 用户也能运行 Docker 命令。

3. 启动 Docker:

   • 在 Windows 或 MacOS 上，安装完成后，Docker 将作为一个应用程序出现。你只需点击它来启动 Docker。
   • 在 Linux 上，你可能需要使用命令 sudo systemctl start docker 来启动 Docker 服务。

4. 验证 Docker 安装:

   • 无论在哪个平台上，都可以通过在终端或命令行中运行 docker --version 来检查 Docker 是否安装成功。这将显示 Docker 的版本信息。

5. 运行 Docker 的 Hello World:

   • 为了验证 Docker 是否被正确安装和配置，可以运行 Docker 的 Hello World 示例。在命令行中输入 docker run hello-world。这将从 Docker Hub 下载一个测试镜像，并在一个容器中运行它。如果一切顺利，你将在终端中看到一条欢迎消息。

6. Docker 用户组:

   • 在 Linux 上，建议将用户添加到 Docker 用户组中。这允许非 root 用户执行 Docker 命令。可以通过 sudo usermod -aG docker $USER 命令来实现。

7. 配置 Docker:

   • Docker 提供了多种配置选项，包括网络设置、存储选项等。这些配置可以通过修改 /etc/docker/daemon.json 文件（在 Linux 上）或通过 Docker Desktop 应用程序（在 Windows 和 MacOS 上）进行。

通过掌握这些基础知识，您将为使用 Docker 创建和运行容器应用打下坚实的基础。接下来的案例将指导您如何在这个设置中运行 Python 应用，无论是简单的脚本还是复杂的 Web 应用。

1.2.2 重点案例：使用 Docker 运行 Python 脚本

在这个案例中，我们将演示如何使用 Docker 来运行一个简单的 Python 脚本。这将帮助你理解如何在 Docker 容器中运行 Python 程序，从而为更复杂的项目打下基础。

步骤 1: 创建 Python 脚本

首先，我们需要创建一个 Python 脚本。让我们编写一个简单的脚本，它会输出一条欢迎信息。在你的工作目录中，创建一个名为 hello.py 的文件，并添加以下内容：

# hello.py
print("Hello from Docker!")

这个脚本非常简单，只是打印出一条消息。

步骤 2: 编写 Dockerfile

接下来，我们需要创建一个 Dockerfile 来定义如何在 Docker 容器中运行这个脚本。Dockerfile 是一个文本文件，包含了一系列的指令，用于告诉 Docker 如何构建镜像。

在你的工作目录中，创建一个名为 Dockerfile 的文件（无文件扩展名），并添加以下内容：

# 使用官方 Python 运行时作为父镜像
FROM python:3.8# 将工作目录设置为 /app
WORKDIR /app# 将当前目录中的文件复制到容器的 /app 目录
COPY . /app# 运行 hello.py 脚本时，调用 Python 解释器
CMD ["python", "./hello.py"]

这个 Dockerfile 从一个 Python 3.8 镜像开始，将工作目录设置为 /app，将当前目录下的文件复制到这个位置，然后定义了运行容器时要执行的命令。

步骤 3: 构建 Docker 镜像

现在，我们可以使用以下命令来构建我们的 Docker 镜像：

docker build -t hello-python .

这条命令告诉 Docker 构建一个新的镜像，并将这个镜像标记（tag）为 hello-python。. 指的是当前目录，Docker 会在这里查找 Dockerfile。

步骤 4: 运行 Docker 容器

一旦镜像构建完成，我们就可以运行一个基于该镜像的容器了：

docker run hello-python

当这个命令执行时，它会启动一个新的容器实例，容器会运行 hello.py 脚本，并显示输出。你应该会在命令行中看到 “Hello from Docker!” 的消息。

通过这个简单的案例，你已经学会了如何将 Python 脚本容器化，并在 Docker 中运行它。这是理解 Docker 容器如何工作的基础，并且是向更复杂的应用迈进的第一步。

1.2.3 拓展案例 1：使用 Docker 部署 Flask Web 应用

在这个案例中，我们将演示如何使用 Docker 来部署一个简单的 Flask Web 应用。Flask 是一个轻量级的 Python Web 框架，非常适合快速开发。通过 Docker 化 Flask 应用，你可以确保你的 Web 应用在任何环境中都能以相同的方式运行。

步骤 1: 创建 Flask 应用

首先，我们创建一个基本的 Flask 应用。在你的工作目录中，创建两个文件：app.py 和 requirements.txt。

• app.py - Flask 应用的主要文件：

  # app.py
  from flask import Flaskapp = Flask(__name__)@app.route('/')
  def hello():return 'Hello, Docker!'if __name__ == '__main__':app.run(debug=True, host='0.0.0.0')
  

• requirements.txt - 列出所需的 Python 包：

  flask
  

步骤 2: 编写 Dockerfile

接下来，我们需要创建一个 Dockerfile 来定义如何在 Docker 容器中运行我们的 Flask 应用。

在你的工作目录中，创建一个名为 Dockerfile 的文件，并添加以下内容：

# 使用官方 Python 镜像
FROM python:3.8# 将工作目录设置为 /app
WORKDIR /app# 将当前目录中的文件复制到容器的 /app 目录
COPY . /app# 安装 requirements.txt 中的所有依赖
RUN pip install --no-cache-dir -r requirements.txt# 让世界可以访问你的应用
EXPOSE 5000# 定义环境变量
ENV FLASK_APP=app.py# 运行 Flask 应用
CMD ["flask", "run", "--host=0.0.0.0"]

这个 Dockerfile 从 Python 3.8 镜像开始，设置工作目录，复制文件，并安装依赖。它还将容器的 5000 端口暴露出来，并定义了运行 Flask 应用的命令。

步骤 3: 构建 Docker 镜像

使用以下命令来构建我们的 Flask 应用的 Docker 镜像：

docker build -t flask-app .

这条命令会创建一个名为 flask-app 的镜像。

步骤 4: 运行 Docker 容器

构建完镜像后，使用以下命令运行容器：

docker run -p 5000:5000 flask-app

这个命令启动了一个容器实例，将你的机器的 5000 端口映射到容器的 5000 端口。

现在，你的 Flask 应用应该在 Docker 容器中运行了。在浏览器中访问 http://localhost:5000，你应该能看到 “Hello, Docker!” 的消息。

通过这个案例，你已经成功地使用 Docker 部署了一个 Flask Web 应用。这个案例演示了 Docker 如何帮助你保证应用在不同环境中的一致性，同时也展示了 Docker 在现代 Web 开发中的应用。

1.2.4 拓展案例 2：在 Docker 中运行 Python 数据分析环境

在这个案例中，我们将通过 Docker 创建一个 Python 数据分析环境。这个环境将包括 Jupyter Notebook 和常用的数据分析库，如 Pandas、NumPy 和 Matplotlib。这种方法非常适合数据科学家和分析师，因为它提供了一个一致且易于共享的工作环境。

步骤 1: 创建 Dockerfile

首先，我们需要创建一个 Dockerfile 来定义我们的数据分析环境。在你的工作目录中，创建一个名为 Dockerfile 的文件，并添加以下内容：

# 从官方 Python 镜像开始构建
FROM python:3.8-slim# 安装 Jupyter 和常见的数据分析库
RUN pip install jupyter pandas numpy matplotlib seaborn# 设置工作目录，用于在容器内部运行 Jupyter Notebook
WORKDIR /data# 暴露 Jupyter Notebook 运行的端口
EXPOSE 8888# 启动 Jupyter Notebook
CMD ["jupyter", "notebook", "--ip=0.0.0.0", "--port=8888", "--no-browser", "--allow-root"]

这个 Dockerfile 从 Python 3.8 镜像开始，安装了 Jupyter Notebook 和几个常用的数据分析库。它还设置了工作目录并暴露了运行 Jupyter Notebook 所需的端口。

步骤 2: 构建 Docker 镜像

接下来，我们可以使用以下命令来构建我们的 Docker 镜像：

docker build -t python-data-analysis .

这个命令会根据 Dockerfile 构建一个名为 python-data-analysis 的镜像。

步骤 3: 运行 Docker 容器

现在，我们可以运行这个镜像了：

docker run -p 8888:8888 python-data-analysis

这个命令会启动一个 Docker 容器，并将本地机器的 8888 端口映射到容器的 8888 端口。当容器启动后，它将运行 Jupyter Notebook。

在容器运行后，你会在命令行中看到一个 URL，其中包含了访问 Jupyter Notebook 的 token。复制并粘贴这个 URL 到浏览器中，你就可以开始在 Jupyter Notebook 中进行数据分析了。

数据分析示例

在 Jupyter Notebook 中，你可以执行各种数据分析任务。例如，你可以使用 Pandas 来加载和分析数据，使用 Matplotlib 和 Seaborn 来进行数据可视化。以下是一个简单的示例：

# 导入所需的库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns# 创建一个简单的数据集
data = pd.DataFrame({'x': range(1, 11),'y': np.random.rand(10),
})# 使用 Seaborn 画一个散点图
sns.scatterplot(x='x', y='y', data=data)
plt.show()

通过这个案例，你可以看到如何快速地在 Docker 中搭建一个完整的数据分析环境，这个环境可以在不同机器上轻松复制和共享。这为数据分析和科学研究提供了极大的便利，特别是在协作和远程工作的场景中。

通过这些案例，你将能够掌握在 Docker 中安装、配置和运行 Python 应用的基本技巧，这些技巧在实际的生产和工作环境中非常有用。这些案例不仅提供了一个实用的起点，也帮助你理解 Docker 在不同应用场景中的灵活性和强大功能。

1.3 Docker 的基本命令

掌握 Docker 的基本命令对于有效使用 Docker 来说至关重要。这一节将详细介绍 Docker 的一些核心命令，并通过实用的 Python 案例来展示这些命令的使用。

1.3.1 重点基础知识

为了有效地使用 Docker，了解其核心命令是至关重要的。这些命令涉及到容器的创建、运行、管理和镜像的处理。以下是 Docker 常用命令的详细讲解：

1. docker run: 这是启动新容器的基本命令。例如，docker run -d -p 5000:5000 flask-app 会在后台运行一个 Flask 应用，并将容器的端口 5000 映射到主机的端口 5000。

2. docker build: 此命令用于从 Dockerfile 创建一个新的镜像。例如，docker build -t my-image-name . 会根据当前目录的 Dockerfile 构建一个名为 my-image-name 的镜像。

3. docker images: 用来列出本地所有的 Docker 镜像。这有助于查看已有的镜像及其标签和大小。

4. docker ps: 列出当前运行的容器。使用 docker ps -a 可以查看所有容器，包括未运行的。

5. docker stop: 用于停止一个或多个正在运行的容器。例如，docker stop container_id 会停止指定的容器。

6. docker rm: 删除一个或多个容器。需要注意的是，只有停止的容器才能被删除。例如，docker rm container_id 会删除指定的容器。

7. docker rmi: 删除一个或多个镜像。这是管理本地镜像空间的重要命令。例如，docker rmi image_id 会删除指定的镜像。

8. docker logs: 查看容器的日志输出。这对于调试和了解容器的行为非常有用。例如，docker logs container_id 会显示指定容器的日志。

9. docker exec: 在运行中的容器内执行命令。这常用于调试或修改容器内的设置。例如，docker exec -it container_id bash 会在指定的容器内启动一个交互式 bash shell。

10. docker pull: 从 Docker Hub 或其他 Docker 仓库拉取（下载）镜像。例如，docker pull ubuntu 会从 Docker Hub 下载最新的 Ubuntu 镜像。

11. docker push: 将本地镜像推送到 Docker Hub 或其他 Docker 仓库。在执行此命令之前，需要先登录到 Docker Hub。例如，docker push my-username/my-image。

通过理解和实践这些基本命令，你将能够有效地管理 Docker 容器和镜像，为构建和部署应用提供坚实的基础。

1.3.2 重点案例：使用 Docker 运行 Python 脚本

在这个案例中，我们将展示如何使用 Docker 来运行一个简单的 Python 脚本。这个脚本会打印出当前的日期和时间，演示了如何在 Docker 容器中执行 Python 代码。

步骤 1: 创建 Python 脚本

首先，我们需要编写一个 Python 脚本。在你的工作目录中，创建一个名为 date_time_script.py 的文件，并添加以下内容：

# date_time_script.py
from datetime import datetimeprint(f"Current date and time: {datetime.now()}")

这个脚本简单地输出当前的日期和时间。

步骤 2: 编写 Dockerfile

接下来，我们需要创建一个 Dockerfile 来定义如何在 Docker 容器中运行这个脚本。在你的工作目录中，创建一个名为 Dockerfile 的文件，并添加以下内容：

# 使用官方 Python 运行时作为父镜像
FROM python:3.8# 将工作目录设置为 /app
WORKDIR /app# 将当前目录中的文件复制到容器的 /app 目录
COPY date_time_script.py /app/# 运行 date_time_script.py 脚本时，调用 Python 解释器
CMD ["python", "./date_time_script.py"]

这个 Dockerfile 使用 Python 3.8 官方镜像作为基础，设置工作目录，并将我们的脚本复制到容器中。最后，它指定了容器启动时执行的命令。

步骤 3: 构建 Docker 镜像

现在，我们可以使用以下命令来构建我们的 Docker 镜像：

docker build -t datetime-python .

这个命令会根据 Dockerfile 构建一个名为 datetime-python 的镜像。

步骤 4: 运行 Docker 容器

一旦镜像构建完成，我们就可以运行一个基于该镜像的容器了：

docker run datetime-python

当这个命令执行时，它会启动一个新的容器实例，容器会运行 date_time_script.py 脚本，并显示输出。你应该会在命令行中看到类似 “Current date and time: 2023-02-24 15:30:00.123456” 的消息。

通过这个案例，你学会了如何使用 Docker 构建一个 Python 应用的运行环境，并且理解了 Docker 容器如何运行 Python 脚本。这为使用 Docker 处理更复杂的 Python 应用提供了基础。

1.3.3 拓展案例 1：Docker 中的 Flask 应用

在这个案例中，我们将通过 Docker 容器来部署一个简单的 Flask Web 应用。这个案例展示了如何使用 Docker 来封装和运行一个基于 Python 的 Web 应用，确保应用在不同环境下的一致性。

步骤 1: 创建 Flask 应用

首先，我们需要创建 Flask 应用的基础代码。在你的工作目录中，创建一个名为 app.py 的文件，并添加以下内容：

# app.py
from flask import Flaskapp = Flask(__name__)@app.route('/')
def hello_world():return 'Hello, Dockerized Flask!'if __name__ == '__main__':app.run(debug=True, host='0.0.0.0')

此代码创建了一个简单的 Flask 应用，它在根 URL (/) 上返回一条消息。

步骤 2: 添加依赖文件

接下来，创建一个名为 requirements.txt 的文件，列出 Flask 应用的依赖：

flask

步骤 3: 编写 Dockerfile

现在，我们编写一个 Dockerfile 来定义 Flask 应用的容器化。在你的工作目录中，创建一个名为 Dockerfile 的文件，并添加以下内容：

# 使用官方 Python 运行时作为父镜像
FROM python:3.8# 将工作目录设置为 /app
WORKDIR /app# 将当前目录中的文件复制到容器的 /app 目录
COPY . /app# 安装 requirements.txt 中的所有依赖
RUN pip install --no-cache-dir -r requirements.txt# 使得端口 5000 可供此容器外的环境使用
EXPOSE 5000# 定义环境变量
ENV FLASK_APP=app.py# 运行 Flask 应用
CMD ["flask", "run", "--host=0.0.0.0"]

步骤 4: 构建 Docker 镜像

使用以下命令来构建 Docker 镜像：

docker build -t flask-app .

这个命令会根据 Dockerfile 构建一个名为 flask-app 的镜像。

步骤 5: 运行 Docker 容器

构建完镜像后，使用以下命令运行容器：

docker run -p 5000:5000 flask-app

这个命令会启动一个基于 flask-app 镜像的容器，并将容器的 5000 端口映射到主机的 5000 端口。

现在，Flask 应用已在 Docker 容器中运行。在浏览器中访问 http://localhost:5000，你应该能看到 “Hello, Dockerized Flask!” 的消息。

通过这个案例，你可以看到 Docker 如何帮助我们轻松地部署一个 Flask Web 应用，并保证应用在不同环境中的一致性。这种方法不仅适用于开发和测试环境，也适用于生产环境，使得部署变得更加简单和可靠。

1.3.4 拓展案例 2：Docker 中的 Jupyter Notebook

在这个案例中，我们将演示如何使用 Docker 容器来部署 Jupyter Notebook，这是一个广泛使用的工具，用于数据分析和科学计算。Docker 化 Jupyter Notebook 可以确保在任何环境中都能以相同的方式运行，方便共享和协作。

步骤 1: 编写 Dockerfile

我们从创建 Dockerfile 开始，该文件定义了 Jupyter Notebook 运行所需的环境。在你的工作目录中，创建一个名为 Dockerfile 的文件，并添加以下内容：

# 从官方 Python 镜像开始构建
FROM python:3.8-slim# 安装 Jupyter Notebook
RUN pip install notebook# 设置工作目录
WORKDIR /workspace# 暴露 Jupyter Notebook 运行的端口
EXPOSE 8888# 启动 Jupyter Notebook
CMD ["jupyter", "notebook", "--ip=0.0.0.0", "--port=8888", "--no-browser", "--allow-root"]

这个 Dockerfile 使用 Python 3.8 官方镜像作为基础，安装 Jupyter Notebook，并设置工作目录。它还暴露了运行 Jupyter Notebook 所需的端口，并定义了容器启动时执行的命令。

步骤 2: 构建 Docker 镜像

接下来，使用以下命令来构建 Docker 镜像：

docker build -t jupyter-notebook .

这个命令会根据 Dockerfile 构建一个名为 jupyter-notebook 的镜像。

步骤 3: 运行 Docker 容器

现在，我们可以运行这个镜像了：

docker run -p 8888:8888 jupyter-notebook

这个命令启动了一个 Docker 容器，将本地机器的 8888 端口映射到容器的 8888 端口。当容器启动后，它将运行 Jupyter Notebook。

在容器运行后，你会在命令行中看到一个 URL，其中包含了访问 Jupyter Notebook 的 token。复制并粘贴这个 URL 到浏览器中，你就可以开始在 Jupyter Notebook 中工作了。

使用 Jupyter Notebook

在 Jupyter Notebook 中，你可以创建新的笔记本来写 Python 代码，进行数据分析和可视化。例如，你可以导入数据分析和科学计算的库，如 Pandas、NumPy 和 Matplotlib，来分析数据集并绘制图表。

通过这个案例，你可以看到 Docker 如何帮助我们快速搭建一个数据分析环境。这个环境可以在不同机器上轻松复制和共享，非常适合团队合作和远程工作。使用 Docker 化的 Jupyter Notebook，数据科学家和分析师可以保证在任何地方都能以一致的方式工作，无需担心环境配置的不一致性。

这些案例展示了 Docker 在不同 Python 应用场景中的实用性，从简单脚本的执行到复杂的 Web 应用和数据分析环境的部署，反映了 Docker 在现代软件开发和数据科学中的广泛应用。通过这些案例，你可以更好地理解和掌握 Docker 的基本命令及其在实际生产环境中的应用。