新闻详情

新闻详情

首页 / 资讯中心 / 详情

使用Dockerfile定制镜像

发布时间:2026/10/31 14:54:17来源:尧图网络
使用Dockerfile定制镜像
镜像的定制实际上就是定制每一层所添加的配置、文件。我们可以把每一层修改、安装、构建操作的命令都写入一个脚本这个脚本就是 Dockerfile。Dockerfile是一个文件其内容包含了一条条的指令每一条指令构建一层因此每条指令的内容就是描述该层应当如何构建。接下来我们以官方nginx镜像为例使用Dockerfile来定制。1、创建目录mkdir mynginxcd mynginx/2、创建文件touch Dockerfile3、编辑文件vim Dockerfile内容为FROM nginxRUN echo ‘h 1Hello, Docker!h 1’ /usr/share/nginx/html/index.html4、保存编辑的文件5、在Docker文件所在目录执行docker build -t nginx:v3 .6、查看镜像docker images7、运行镜像docker run --name mynginx -p 80:80 mynginx:2.08、查看容器docker ps -a9、进入容器docker exec -it mynginx /bin/bash其他制作镜像方式Dockerfile 指令详解FROM 指定基础镜像所谓指定镜像一定是以一个镜像为基础在其上进行定制。基础镜像是必须指定的而FROM就是指定基础镜像因此一个Dockerfile中FROM是必备的指令并且必须是第一条指令。在Docker Hub上有非常多的高质量的官方镜像有可以直接拿来使用的服务类的镜像如nginx、redis、mysql、tomcat等可以在其中寻找一个最符合我们最终目标的镜像为基础镜像进行定制。如果没有找到对应服务的镜像官方镜像中还提供了一些更为基础的操作系统镜像如ubuntu、bebian、centos、alpine等这些操作系统的软件库为我们提供了更广阔的扩展空间。FROM scratch除了选择现有镜像外Docker还存在一个特殊镜像名为scratch。这个镜像是虚拟的概念并不实际存在它表示一个空白的镜像。如果你以scratch为基础镜像的话意味着你不以任何镜像为基础接下来所写的指令将作为镜像第一曾开始存在。对于Linux下静态编译的程序来说并不需要有操作系统提供运行时支持所需的一切库都已经在可执行文件里了因此直接FROM scratch会让镜像体积更加小巧。使用go语言开发的应用很多会使用这种方式来制作镜像这也是为什么有人认为Go是特别适合容器微服务架构的语言的原因之一。RUN执行命令RUN指令是用来执行命令行命令的。由于命令行的强大能力RUN指令在定制镜像时是最常用的指令之一。其格式有俩种shell 格式RUN命令RUN echo ‘h 1Hello,Docker!/h 1’ /usr/share/nginx/html/index.htmlexec 格式RUN[“可执行文件”,“参数1”,“参数2”]RUN tar -xzf redis.tar.gz -C /usr/src/redis --strip-components1RUN make -C /usr/src/redisRUN make -C /usr/src/redis install
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/10/30 4:02:09

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/10/29 23:30:48

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/10/30 14:30:55

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/10/31 1:29:13

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/10/29 13:36:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/10/30 5:26:05

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉