在Ubuntu中使用Docker打包程序（Conda, pip）

使用docker打包开发完的包和程序，有一个很大的好处是，把系统当前的配置环境都完整保存下来。这样只要把docker的image文件发到其他电脑里，就可以快速部署，完全不需要考虑环境配置的问题，特别对于python的程序来说，环境配置一直是个头疼的问题。

1. Docker 安装

有两种选项，一种是默认存储库在Ubuntu上的Docker，另一种是官方存储库的Docker。
建议使用官方存储库的Docker，两种方法我都用过，第一种方法，很多时候在pull对应环境时，会出现名称不匹配的情况，找不到对应的库，但是用回官方的就没这个问题，少踩些坑。
以下配置过程是在Ubuntu18.04上测试的，其他版本可以搜一下，挺多的。
1）更新本地的软件列表数据库

sudo apt-get update

2）下载依赖项

sudo apt-get install apt-transport-https ca-certificates curl software-properties-common

3. 添加GPG钥匙

curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -

4）安装Docker存储库

sudo add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/ubuntu  $(lsb_release -cs)  stable"

5）安装最新版Docker

sudo apt-get install docker-ce

6）测试
安装完后，可以运行一下docker指令

sudo docker --version

如果有返回当前版本说明安装应该没什么问题，也可以运行sudo docker images查看当前的镜像，但是刚装的docker，应该什么镜像也没有

2. 制作镜像image

在制作镜像前，需要三样东西：

• Package files: 就是你的程序，整个文件夹，接下来我都会以GPT-SoVITS这个项目做列子
• environment.yml：由conda输出的环境配置文件，里面会列出所有用到的依赖项，当然里面会有些多余的，这个后面再说
• Dockerfile： 这个是一个脚本，怎么一步步把依赖库和启动程序构建好，别人run我们的image时，就会根据这个脚本启动

最终在同一路径下，有如图所示的这三个文件：

2.1 准备文件

然后说一下怎么准备上面这些文件：
1）首先第一个是package，这个就是我们的整个项目文件
2）然后是environment.yml，先进入conda的虚拟环境

conda activate your_env_name

然后使用指令输出环境配置文件

conda env export > environment.yml

这时第二个文件也准备好了。
3）写Dockerfile，先建一个Dockerfile，可以直接用指令touch Dockerfile，也可以手动自己添加，要注意的是，不需要加后缀，就用Dockerfile这个名字就行. 然后是内容，用我现在写的脚本做例子，也是有很多技巧的，以后可以慢慢学习，知道大概流程就行

# 使用一个轻量级的Miniconda基础镜像
FROM continuumio/miniconda3:latest# 设置工作目录在容器内
WORKDIR /app# 将从conda导出的 environment.yml 文件复制到容器的当前目录
COPY environment.yml .# 利用复制的配置文件创建Conda环境
RUN conda env create -f environment.yml# 激活环境并设置PATH，这样后续命令都会在使用此环境的前提下执行
# 将 `your_env_name` 替换为你的环境名
ENV PATH /opt/conda/envs/your_env_name/bin:$PATH# 将你的package源代码复制到容器的 /app 目录下
COPY . .# 设置容器启动时默认执行的命令，例如运行你的package
# 请根据你的package修改此命令，例如 `CMD ["python", "-m", "your_package"]`
WORKDIR /app/GPT-SoVITS
CMD ["python", "api.py", "-d", "cpu", "-a", "0.0.0.0", "-p", "9880", "-dr", "./test_data/test_video.wav", "-dt", "希望以后没有bug。", "-dl", "zh"]

上面的脚本注释里有说明。
PS：要注意的地方是，最后CMD里面，如果需要加入参数的，要用双引号“”一个个添加
同时，如果需要通过ip地址和端口处理服务的，如上面的 127.0.0.1:9880，要注意了，docker在容器内对外网卡地址是0.0.0.0，所以在写制作镜像时要注意把程序内部的地址改成0.0.0.0，不然就没办法通讯上了。

2.2 开始制作

1）先进入到上面准备好的三个文件所在的目录，然后运行以下指令制作镜像，-t后面的是这个镜像的名称，只能加一个/，不能加两个，一般前面是签名，后面写版本，最后:后面的是版本号

sudo docker build -t gptsovits/ubuntu18_py310:v1.0 .

其实在上面这个过程，会报各种依赖项无法安装，有些是ROS的依赖项和工具包，这些其实不是我上面这个包需要的依赖项，很奇怪，我配的这个conda环境是新建的，应该没包括ROS的东西才对，然后就需要把这些不需要的包，一个个去掉，这里也费了些功夫。
2）制作完镜像后，使用指令sudo docker images就可以查看这个镜像了

然后可以尝试运行它

sudo docker run -it --rm -p 9880:9880 gptsovits/ubuntu18_py310:v1.0

一切如预期运行就最好啦，当然如果发现启动没成功，其实可以进入到容器里debug，很多时候是因为路径问题，这个需要慢慢检查，使用如下指令就可以建立一个临时的docker容器进行debug，同时退出时缓存会被清除

sudo docker run -it --rm -p 9880:9880 --name gptsovits_debug gptsovits/ubuntu18_py310:v1.0 /bin/bash

2.3 保存和分享镜像

制作完成后，就可以把镜像打包，发送给别人了,也可以上传的docker hub上面
两个方案：

1. 方案一：离线迁移
   在源电脑上导出镜像​​
   使用 docker save命令将镜像导出为一个 tar 归档文件。-o参数用于指定输出文件的路径和名称

sudo docker save -o my-image.tar <你的镜像名>:<标签>

​​示例​​：如果用我上面的镜像名为 gptsovits/ubuntu18_py310，标签为 v1.0，则命令为：

sudo docker save -o gptsovits-ubuntu18-py310-v1.0.tar gptsovits/ubuntu18_py310:v1.0

然后把压缩文件发到别的电脑即可。
在另一台电脑运行

sudo docker load -i gptsovits-ubuntu18-py310-v1.0.tar

解压完后，使用sudo docker images看看有没有加载成功，加载成功后，可以尝试运行它

sudo docker run -it --rm -p 9880:9880 gptsovits/ubuntu18_py310:v1.0

2. 方案二：在线迁移
   首先在源电脑上推送镜像到 Docker Hub​​
   此时，需要先注册一个Docker Hub的账号，点这里进入官网
   注册完后，还要先创建一个仓库，然后需要用到username和仓库名。
   ​​a. 登录 Docker Hub​​
   在终端中执行以下命令，并输入你的 Docker Hub 用户名和密码进行登录sudo docker login
   ​​b. 为镜像打标签​​
   为了能推送到 Docker Hub，你的镜像名称必须符合 你的用户名/仓库名:标签的格式。使用 docker tag命令为本地镜像创建一个符合要求的新标签

sudo docker tag <原镜像名>:<原标签> <你的DockerHub用户名>/<仓库名>:<标签>

​​示例​​：

sudo docker tag gptsovits/ubuntu18_py310:v1.0 yourusername/gptsovits-app:latest

​​c. 推送镜像​​
使用 docker push命令将打好标签的镜像推送到 Docker Hub

sudo docker push yourusername/gptsovits-app:latest

​​然后在目标电脑上拉取镜像​​
在目标电脑上，只需一条命令即可从 Docker Hub 拉取镜像

sudo docker pull yourusername/gptsovits-app:latest

3. 维护

3.1 管理存储空间

大家在使用过程中，会发现，一个image的size是很大的，所以如何管理docker的存储空间也是个重要的维护任务

清理目标	推荐命令	主要作用与注意事项
全面检查	docker system df	查看 Docker 整体磁盘使用情况，帮助定位哪个区域占用空间最多
​​构建缓存​​	docker builder prune ​​	清理效果通常最显著​​。删除构建镜像时产生的中间缓存层
悬空镜像	docker image prune	删除标签为 的镜像（通常由新旧镜像替换产生）
已停止的容器	docker container prune	删除所有已停止（Exited）的容器，一般可安全清理
未使用的数据卷	docker volume prune	清理前请确认​​，卷通常用于持久化重要数据（如数据库文件）
一键清理（谨慎）	docker system prune	一次性清理上述所有类型的未使用资源（镜像、容器、网络、构建缓存），​​不删除数据卷

3.2 删除镜像

查找所有容器（包括已停止的）
sudo docker ps -a
停止并删除与旧镜像相关的容器（将 <container_id> 替换为实际的容器ID）
sudo docker stop <container_id>
sudo docker rm <container_id>

删除镜像（将 <image_name> 和 替换为你的镜像名称和标签）
例如：sudo docker rmi my-app:latest
sudo docker rmi <image_name>:<tag>